Система автоматизованого прогнозування змін площі лісового покриву методами штучного інтелекту
Анотація
Зміни лісового покриву є одним із ключових екологічних викликів, які впливають на стійкість природних екосистем, баланс вуглецю та ефективність управління лісовими ресурсами. Розглянуто підходи до застосування машинного та глибокого навчання для завдання прогнозування змін лісового покриву на підставі супутникових зображень. Виявлено, що підходи із застосуванням глибокого навчання та геоінформаційного моделювання демонструють найбільшу ефективність прогнозування змін площі лісового покриву. З'ясовано, що поєднання різних методів глибокого навчання у гібридні моделі підвищує ефективність і точність прогнозування. Визначено недоліки сучасних наявних досліджень, зокрема – відсутність механізму інтерпретації результатів та інтеграції карт індексів вегетації. Розроблено комбінований метод із застосуванням згорткових нейронних мереж архітектури U-Net та рекурентних нейронних мереж архітектури LSTM у поєднанні із геоінформаційною моделлю CLUE-S, який дає змогу прогнозувати зміни лісового покриву та визначати індекси, які найбільше впливають на формування прогнозу. Розроблено прототип системи, яка реалізує комбінований метод, та проведено двоетапне навчання нейронної мережі на сформованому наборі даних із 42 локацій території Українських Карпат. Проведено дослідження процесу навчання нейронної мережі та визначено, що перенавчання моделі не відбулось, ефективність моделі настає від 10-12 епох, після чого значення метрик стабілізуються. Визначені показники якості моделі містять значення функції втрат – 0,02711, середньої абсолютної похибки (MAE) – 0,03762 та кореня середньоквадратичної похибки (RMSE) – 0,05096. Визначено, що прогнозування відновлення лісового покриву характерне високою точністю (AUC) – 0,98 та найбільше залежить від індексу NDVI (–0,602), тоді як для зменшення лісистості має помірну точність (AUC) – 0,64 і найбільше пов'язане зі зміною індексу NDRE (0,318), що дало змогу виокремити найбільш інформативні вегетаційні показники для моделі. Сформовано прогнозоване зображення та зображення розміщення змін на актуальному супутниковому зображенні для візуалізації та практичного застосування для керування лісовими ресурсами. Виявлено, що розроблений метод поєднує переваги глибокого навчання, зокрема – точність, та гнучкість в інтеграції додаткових даних для формування прогнозу змін лісового покриву, і результати його застосування можуть слугувати основою для планування превентивних заходів зі запобігання знелісненню та ефективного розподілу ресурсів.
Завантаження
Посилання
Ali, G., Mijwil, M. M., Adamopoulos, I., & Ayad, J. (2025). Leveraging the Internet of Things, Remote Sensing, and Artificial Intelligence for Sustainable Forest Management. Babylonian Journal of Internet of Things, 2025, 1–65. https://doi.org/10.58496/bjiot/2025/001
Asif, M., Kazmi, J. H., Tariq, A., Zhao, N., Guluzade, R., Soufan, W., Almutairi, K. F., Sabagh, A. E., & Aslam, M. (2023). Modelling of Land Use and Land Cover changes and prediction using CA-Markov and Random Forest. Geocarto International, 38(1), 1–20. https://doi.org/10.1080/10106049.2023.2210532
Bairwa, B., Sharma, R., Kundu, A., Sammen, S. S., Alsheri, F., Pande, C. B., Orban, Z., & Salem, A. (2025). Predicting changes in land use and land cover using remote sensing and land change modeler. Frontiers in Environmental Science, 13, article ID 1540140. https://doi.org/10.3389/fenvs.2025.1540140
Bellout, A., Dliou, A., Latif, R., Saddik, A., Cherrat, E. M., & Bouharroud, R. (2025). Machine Learning-Based Prediction and Multispectral Analysis for Precision Irrigation Management. Statistics, Optimization & Information Computing, 13(4), 1654–1678. https://doi.org/10.19139/soic-2310-5070-2178
Boulent, J., Foucher, S., Théau, J., & St-Charles, P.-L. (2019). Convolutional Neural Networks for the Automatic Identification of Plant Diseases. Frontiers in Plant Science, 10. https://doi.org/10.3389/fpls.2019.00941
Casas-Gómez, P., Torres, J. F., Linares, J. C., Troncoso, A., & Martínez-Álvarez, F. (2024). Forecasting basal area increment in forest ecosystems using deep learning: A multi-species analysis in the Himalayas. Ecological Informatics, article ID 102951. https://doi.org/10.1016/j.ecoinf.2024.102951
Copernicus Browser. (n.d.). Copernicus Browser. URL: https://browser.dataspace.copernicus.eu.
Cui, F. (2020). Deployment and integration of smart sensors with IoT devices detecting fire disasters in huge forest environment. Computer Communications, 150, 818–827. https://doi.org/10.1016/j.comcom.2019.11.051
Davidson, C., Jaganathan, V., Sivakumar, A. N., Czarnecki, J. M. P., & Chowdhary, G. (2022). NDVI/NDRE prediction from standard RGB aerial imagery using deep learning. Computers and Electronics in Agriculture, 203, article ID 107396. https://doi.org/10.1016/j.compag.2022.107396
de Bem, P., de Carvalho Junior, O., Fontes Guimarães, R., & Trancoso Gomes, R. (2020). Change Detection of Deforestation in the Brazilian Amazon Using Landsat Data and Convolutional Neural Networks. Remote Sensing, 12(6), article ID 901. https://doi.org/10.3390/rs12060901
de Burgh-Day, C. O., & Leeuwenburg, T. (2023). Machine learning for numerical weather and climate modelling: a review. Geoscientific Model Development, 16(22), 6433–6477. https://doi.org/10.5194/gmd-16-6433-2023
Ding, N., & Li, M. (2023). Mapping Forest Abrupt Disturbance Events in Southeastern China – Comparisons and Tradeoffs of Landsat Time Series Analysis Algorithms. Remote Sensing, 15(22), article ID 5408. https://doi.org/10.3390/rs15225408
Donnelly, J., Daneshkhah, A., & Abolfathi, S. (2024). Forecasting global climate drivers using Gaussian processes and convolutional autoencoders. Engineering Applications of Artificial Intelligence, 128, article ID 107536. https://doi.org/10.1016/j.engappai.2023.107536
Fu, Y., Zhuang, H., Shen, X., & Li, W. (2023). Assessment and prediction of regional climate based on a multimodel ensemble machine learning method. Climate Dynamics, 61, 4139–4158. https://doi.org/10.1007/s00382-023-06787-7
Gao, P., Du, W., Lei, Q., Li, J., Zhang, S., & Li, N. (2023). NDVI Forecasting Model Based on the Combination of Time Series Decomposition and CNN – LSTM. Water Resources Management, 37, 1481–1497. https://doi.org/10.1007/s11269-022-03419-3
General characteristic of Ukrainian forests. (n.d.). State Forest Resources Agency of Ukraine. URL: https://forest.gov.ua/en/areas-activity/forests-ukraine/general-characteristic-ukrainian-forests
Geng, J., Shen, S., Cheng, C., & Dai, K. (2022). A hybrid spatiotemporal convolution-based cellular automata model (ST-CA) for land-use/cover change simulation. International Journal of Applied Earth Observation and Geoinformation, 110, article ID 102789. https://doi.org/10.1016/j.jag.2022.102789
Geng, Z., Zhang, Y., Li, C., Han, Y., Cui, Y., & Yu., B. (2020). Energy optimization and prediction modeling of petrochemical industries: An improved convolutional neural network based on cross-feature. Energy, 194, article ID 116851. https://doi.org/10.1016/j.energy.2019.116851
Global Forest Resources Assessment. (2020). Global Forest Resources Assessment. Food and Agriculture Organization of the United Nations. GlobalFRA. URL: https://www.fao.org/forest-resources-assessment/past-assessments/fra-2020/en/
Global Forestry Management Software Market Size Study, by Deployment Model, by Enterprise Size, by Technology, by Application, and Regional Forecasts 2022-2032. (2024). Global Information, Inc. (GII) – Premium market research reports. URL: https://www.giiresearch.com/report/bzc1579874-global-forestry-management-software-market-size.html
Grytsyuk, M. Y., & Gryciuk, Y. I. (2017). The risks analysis in projects management of sustainable tourism development in the Carpathian region of Ukraine. Scientific Bulletin of UNFU, 27(5), 164–174. https://doi.org/10.15421/40270532
Guhan, T., & Revathy, N. (2024). EMLARDE tree: ensemble machine learning based random de-correlated extra decision tree for the forest cover type prediction. Signal, Image and Video Processing, 18, 8525–8536. https://doi.org/10.1007/s11760-024-03470-0
Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
Khan, S. H., He, X., Porikli, F., & Bennamoun, M. (2017). Forest Change Detection in Incomplete Satellite Images With Deep Neural Networks. IEEE Transactions on Geoscience and Remote Sensing, 55(9), 5407–5423. https://doi.org/10.1109/tgrs.2017.2707528
Khandelwal, P., Konar, J., & Brahma, B. (2020). Training RNN and its Variants Using Sliding Window Technique. In: 2020 IEEE International Students Conference on Electrical, Electronics and Computer Science (SCEECS). IEEE. 1–5. https://doi.org/10.1109/sceecs48394.2020.93
Kiziridis, D. A., Mastrogianni, A., Pleniou, M., Tsiftsis, S., Xystrakis, F., & Tsiripidis, I. (2023). Improving the predictive performance of CLUE-S by extending demand to land transitions: The trans-CLUE-S model. Ecological Modelling, 478, article ID 110307. https://doi.org/10.1016/j.ecolmodel.2023.110307
Koko, A. F., Yue, W., Abubakar, G. A., Hamed, R., & Alabsi, A. A. N. (2020). Monitoring and Predicting Spatio-Temporal Land Use/Land Cover Changes in Zaria City, Nigeria, through an Integrated Cellular Automata and Markov Chain Model (CA-Markov). Sustainability, 12(24), article ID 10452. https://doi.org/10.3390/su122410452
Leta, M. K., Demissie, T. A., & Tränckner, J. (2021). Modeling and Prediction of Land Use Land Cover Change Dynamics Based on Land Change Modeler (LCM) in Nashe Watershed, Upper Blue Nile Basin, Ethiopia. Sustainability, 13(7), article ID 3740. https://doi.org/10.3390/su13073740
Li, X. (2024). A framework for promoting sustainable development in rural ecological governance using deep convolutional neural networks. Soft Computing, 28, 3683–3702. https://doi.org/10.1007/s00500-023-09617-4
Liu, J., Yue, C., Pei, C., Li, X., & Zhang, Q. (2023). Prediction of Regional Forest Biomass Using Machine Learning: A Case Study of Beijing, China. Forests, 14(5), article ID 1008. https://doi.org/10.3390/f14051008
Liu, J., Zuo, Y., Wang, N., Yuan, F., Zhu, X., Zhang, L., Zhang, J., Sun, Y., Guo, Z., Guo, Y., Song, X., Song, C., & Xu, X. (2021). Comparative Analysis of Two Machine Learning Algorithms in Predicting Site-Level Net Ecosystem Exchange in Major Biomes. Remote Sensing, 13(12), article ID 2242. https://doi.org/10.3390/rs13122242
Malhi, R. K. M., Anand, A., Srivastava, P. K., Kiran, G. S., Petropoulos, P. G., & Chalkias, C. (2020). An Integrated Spatiotemporal Pattern Analysis Model to Assess and Predict the Degradation of Protected Forest Areas. ISPRS International Journal of Geo-Information, 9(9), article ID 530. https://doi.org/10.3390/ijgi9090530
Mamanis, G., Vrahnakis, M., Chouvardas, D., Nasiakou, S., & Kleftoyanni, V. (2021). Land Use Demands for the CLUE-S Spatiotemporal Model in an Agroforestry Perspective. Land, 10(10), article ID 1097. https://doi.org/10.3390/land10101097
Mazzia, V., Khaliq, A., & Chiaberge, M. (2019). Improvement in Land Cover and Crop Classification based on Temporal Features Learning from Sentinel-2 Data Using Recurrent-Convolutional Neural Network (R-CNN). Applied Sciences, 10(1), article ID 238. https://doi.org/10.3390/app10010238
Muhammad, R., Zhang, W., Abbas, Z., Guo, F., & Gwiazdzinski, L. (2022). Spatiotemporal Change Analysis and Prediction of Future Land Use and Land Cover Changes Using QGIS MOLUSCE Plugin and Remote Sensing Big Data: A Case Study of Linyi, China. Land, 11(3), article ID 419. https://doi.org/10.3390/land11030419
Reiche, J., Hamunyela, E., Verbesselt, J., Hoekman, D., & Herold, M. (2018). Improving near-real time deforestation monitoring in tropical dry forests by combining dense Sentinel-1 time series with Landsat and ALOS-2 PALSAR-2. Remote Sensing of Environment, 204, 147–161. https://doi.org/10.1016/j.rse.2017.10.034
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. In: Navab, N., Hornegger, J., Wells, W., Frangi, A. (Eds). Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. MICCAI 2015, 9351. Springer, Cham. pp. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28
Saha, S., Saha, M., Mukherjee, K., Arabameri, A., Ngo, P. T. T., & Paul, G. C. (2020). Predicting the deforestation probability using the binary logistic regression, random forest, ensemble rotational forest, REPTree: A case study at the Gumani River Basin, India. Science of The Total Environment, 730, article ID 139197. https://doi.org/10.1016/j.scitotenv.2020.139197
Sankarrao, L., Ghose, D. K., & Rathinsamy, M. (2021). Predicting land-use change: Intercomparison of different hybrid machine learning models. Environmental Modelling & Software, 145, article ID 105207. https://doi.org/10.1016/j.envsoft.2021.105207
Shi, X., Huang, G., Hao, X., Yang, Y., & Li, Z. (2022). Sliding window and dual-channel CNN (SWDC-CNN): A novel method for synchronous prediction of coal and electricity consumption in cement calcination process. Applied Soft Computing, article ID 109520. https://doi.org/10.1016/j.asoc.2022.109520
Sun, C., Bao, Y., Vandansambuu, B., & Bao, Y. (2022). Simulation and Prediction of Land Use/Cover Changes Based on CLUE-S and CA-Markov Models: A Case Study of a Typical Pastoral Area in Mongolia. Sustainability, 14(23), article ID 15707. https://doi.org/10.3390/su142315707
Sylvain, J.-D., Drolet, G., Thiffault, É., & Anctil, F. (2024). High-resolution mapping of tree species and associated uncertainty by combining aerial remote sensing data and convolutional neural networks ensemble. International Journal of Applied Earth Observation and Geoinformation, 131, article ID 103960. https://doi.org/10.1016/j.jag.2024.103960
Tariq, A., & Mumtaz, F. (2023). A series of spatio-temporal analyses and predicting modeling of land use and land cover changes using an integrated Markov chain and cellular automata models. Environmental Science and Pollution Research, 30, 47470–47484. https://doi.org/10.1007/s11356-023-25722-1
Tariq, A., Jiango, Y., Li, Q., Gao, J., Lu, L., Soufan, W., Almutairi, K. F., & Habib-ur-Rahman, M. (2023). Modelling, mapping and monitoring of forest cover changes, using support vector machine, kernel logistic regression and naive bayes tree models with optical remote sensing data. Heliyon, 9(2), article ID e13212. https://doi.org/10.1016/j.heliyon.2023.e13212
The State of the Worlds Forests. (2020). Food and Agriculture Organization of the United Nations. URL: https://www.fao.org/state-of-forests
Torskyi, O. I., & Hrytsiuk, Y. I. (2025). Application of machine learning to enhance the efficiency of automated software testing. Scientific Bulletin of UNFU, 35(4), 142–149. https://doi.org/10.36930/40350416
Tucker, C. J., & Townshend, J. R. G. (2000). Strategies for monitoring tropical deforestation using satellite data. International Journal of Remote Sensing, 21(6-7), 1461–1471. https://doi.org/10.1080/014311600210263
Verburg, P. H., Soepboer, W., Veldkamp, A., Limpiada, R., Espaldon, V., & Mastura, S. S. A. (2002). Modeling the Spatial Dynamics of Regional Land Use: The CLUE-S Model. Environmental Management, 30(3), 391–405. https://doi.org/10.1007/s00267-002-2630-x
Yang, Z., Tang, C., Cao, X., & Leng, M. (2022). Forest Cover Semantic Change Detection Based on High-Resolution Network Remote Sensing Data. In: BDIOT 2022: 2022 the 5th International Conference on Big Data and Internet of Things. ACM. pp. 70–76. https://doi.org/10.1145/3561801.3561813
Yuh, Y. G., Tracz, W., Matthews, H. D., & Turner, S. E. (2023 b). Application of machine learning approaches for land cover monitoring in northern Cameroon. Ecological Informatics, 74, article ID 101955. https://doi.org/10.1016/j.ecoinf.2022.101955
Zhen, L., Zhang, L., Yang, T., Zhang, G., Li, Q., & Ouyang, H. (2022). Simultaneous prediction for multiple source – loads based sliding time window and convolutional neural network. Energy Reports, 8, 6110–6125. https://doi.org/10.1016/j.egyr.2022.04.041
