Інформаційно-технологічний підхід до дистанційного зондування пралісів та старовікових лісів Українських Карпат
Анотація
Обґрунтовано потребу використання та реалізовано інформаційно-технологічну платформу для автоматизованого дешифрування та ретроспективного моніторингу стану пралісів і старовікових лісів Українських Карпат за період 1986-2024 років. Досліджено актуальність створення відтворюваних методів інвентаризації критично важливих лісових екосистем за умов кліматичних змін та антропогенного тиску. Розроблено комплексну систему, що поєднує використання хмарних обчислень та алгоритмів машинного навчання для аналізу великих масивів геопросторових даних. В основі дослідження використано масштабовані обчислювальні процедури в середовищі GEE (англ. Google Earth Engine), що дало змогу забезпечити швидке оброблення терабайтів даних без необхідності залучення локальних потужностей. Сформовано багаточасові медіанні композити Landsat 5/7/8/9, що забезпечують стабільність спектральних характеристик стану пралісів і старовікових лісів Українських Карпат упродовж десятиліть. Проведено глибоку інтеграцію оптичних даних Sentinel-2 із радарними даними Sentinel-1 (SAR), що дало змогу мінімізувати вплив частої хмарності в гірських районах та підвищити точність розрізнення закритих лісових насаджень. Здійснено обчислення нормалізованого диференційного вегетаційного індексу NDVI (англ. Normalized Difference Vegetation Index) та компонентів трансформації Tasseled Cap (англ. Brightness, Greenness, Wetness), які є ключовими індикаторами структури крон та вологості біомаси. Побудовано пайплайн машинного навчання моделі на основі алгоритму Random Forest із використанням версіонованих наборів ознак, що містять від 6 до 29 спектральних каналів даних і додаткові метадані. Описано архітектуру зберігання даних у форматах GeoTIFF та CSV, процедуру інтелектуальної підготовки тренувальних вибірок (реплікація, stratified sampling) та методи строгої валідації результатів (k-fold cross-validation, матриці змішування). Особливу увагу приділено концепції відтворюваності результатів попередніх досліджень (Open Science) через публікацію GEE-скриптів та використання Git-репозиторіїв. Отримані результати класифікації даних засвідчили високу точність: загальна точність (OA) класифікації типів лісу становила 0,87 (Kappa = 0,81), а точність карт історії порушень – 0,84 (Kappa = 0,78). Розроблений програмно-аналітичний інструментарій дає змогу створювати динамічні карти лісового покриву та оперативно виявляти зони їх деградації. Сформовано рекомендації щодо виробничого впровадження розробленої системи через CI/CD процеси та API-інтеграцію з державними ГІС-платформами, що забезпечує підтримку прийняття рішень у сфері охорони природи та сталого лісокористування.
Завантаження
Посилання
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/a:1010933404324
Cohen, W. B., Spies, T. A., & Alig, R. J. (2010). Estimating historical forest cover and disturbance using remote sensing: methods and applications. Remote Sensing of Environment, 114(9), 1926–1945. https://doi.org/10.1016/j.rse.2010.04.012
Global Forest Watch. (2024). Interactive World Forest Map & Tree Cover Change Data. URL: https://www.globalforestwatch.org
Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2023). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18–27. https://doi.org/10.1016/j.rse.2017.06.031
Hansen, M. C., Potapov, P. V., Moore, R., Hancher, M., Turubanova, S., Tyukavina, A., & Townshend, J. R. G. (2013). High-resolution global maps of 21st-century forest cover change. Science, 342(6160), 850–853. https://doi.org/10.1126/science.1244693
Kennedy, R. E., Ohmann, J., Gregory, M., & Roberts, H. (2021). An empirical comparison of LandTrendr and CCDC for forest disturbance detection. Remote Sensing, 13(14), article ID 2680. https://doi.org/10.3390/rs13142680
Kennedy, R. E., Yang, Z., & Cohen, W. B. (2010). Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr – temporal segmentation algorithms. Remote Sensing of Environment, 114(12), 2897–2910. https://doi.org/10.1016/j.rse.2010.07.008
Lucas, R. M., Mitchell, A. L., Bunting, P., & Balzter, H. (2015). Using satellite radar to support forest monitoring. International Journal of Remote Sensing, 36(4), 1–24. https://doi.org/10.1080/01431161.2015.1052742
Mikuláš, P., & Chaskovskyy, O. (2021). Dynamics of forest disturbances in the Carpathian region using Landsat time series. Scientific Bulletin of UNFU, 31(2), 45–52. https://doi.org/10.36930/40310207
Potapov, P., Hansen, M. C., Pickens, A., Hernandez-Serna, A., Tyukavina, A., Turubanova, S., & Zalles, V. (2022). The last frontiers of wilderness: Tracking global forest degradation. Nature Communications, 13(1), 1–12. https://doi.org/10.1038/s41467-022-29654-8
Sabatini, F. M., Bluhm, H., Kun, Z., Aponte, C., & Kuemmerle, T. (2021). European primary forest database (EPFD) v2.0. Scientific Data, 8(1), article number 220. https://doi.org/10.1038/s41597-021-00988-7
Sabatini, F. M., Burrascano, S., Keeton, W. S., Zlatanov, T., Kuemmerle, T., & Chaskovskyy, O. (2018). Where are Europes last primary forests?. Diversity and Distributions, 24(10), 1426–1439. https://doi.org/10.1111/ddi.12778
Vancutsem, C., Achard, F., Pekel, J. F., Vieilledent, G., Carboni, S., Simonetti, D., Gallego, J., & Beuchle, R. (2021). Long-term (1990–2019) monitoring of tropical moist forests dynamics. Science Advances, 7(9), article ID eabe1603. https://doi.org/10.1126/sciadv.abe1603
Zhu, Z., & Woodcock, C. E. (2014). Continuous change detection and classification of land cover using all available Landsat data. Remote Sensing of Environment, 144, 152–171. https://doi.org/10.1016/j.rse.2014.01.011
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
