Везде

Президиум РАНИсследование Земли из космоса Earth Research from Space

  • ISSN (Print) 0205-9614
  • ISSN (Online) 3034-5405

Дистанционный мониторинг зарастания залежей Республики Марий Эл методом анализа главных компонент

Вы можете
Код статьи
10.31857/S0205961424020034-1
DOI
10.31857/S0205961424020034
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Лежнин С. А.
  • Аффилиация: Поволжский государственный технологический университет
Том/ Выпуск
Том / Номер выпуска 2
Страницы
21-31
Аннотация
В статье представлены результаты исследования зарастания земель запаса Среднего Поволжья методами дистанционного зондирования на примере Республики Марий Эл. Для исследования были использованы снимки спутника Landsat-8 OLI за летний период 2022 года в сочетании шестого (средний инфракрасный), пятого (ближний инфракрасный) и второго (синий) спектральных каналов, прошедшие процедуру трансформации доли минимальных “шумов” (Minimum noise fraction transform, MNF-трансформация). Результаты исследования показали, что в Республике наблюдается устойчивый процесс массового зарастания залежей древесно-кустарниковой растительностью. Площадь сельскохозяйственных угодий, по данным исследования, составила 763,69 тыс. га. Зарастание лиственными породами наблюдается на территории 135,5 тыс. га, что составляет 17,7% от общей площади сельскохозяйственных земель и 49,9% от территории залежных земель Республики Марий Эл. Зарастание земель хвойными насаждениями наблюдается на 26,7 тыс. га, что составляет 3,5% и 9,85% соответственно. В целом полученные данные, несмотря на некоторое снижение, свидетельствуют об устойчивом процессе захвата брошенных залежей молодняками древесных пород. Преобладающими породами, захватывающими земли залежей, являются лиственные породы, в основном береза и осина. Общая точность полученной тематической карты составила 79,7%, а коэффициент Каппа равен 0,79, что говорит о высокой согласованности тематической карты натурным данным.
Ключевые слова
залежь MNF-трансформация тематические карты дистанционное зондирование Landsat-8 OLI
Дата публикации
15.09.2025
Год выхода
2025
Всего подписок
0
Всего просмотров
1

Библиография

  1. 1. Беляев В.В., Кононов О.Д., Карабан А.А., Старицын В.В. Состояние древесной растительности на землях, выбывших из хозяйственного оборота в Архангельской области // Вестник Северного (Арктического) федерального университета. 2013. Вып. 2. С. 5–11.
  2. 2. Доклад о состоянии и использовании земель в Республике Марий Эл в 2018 году. Электронный ресурс: https://rosreestr.gov.ru/upload/to/respublika-mariy-el/% D0%BF%D1% 80%D0%BE%D1%82%D0%BE%D0%BA%D0%BE%D0%BB%D1%8B/%D0%94%D0%BE%D0%BA%D0%BB%D0%B0%D0%B4%20%D0%B7%D0%B0%202018%20%D0%A0%D0%9C%D0%AD.doc (дата обращения 01.03.2023).
  3. 3. Доклад о состоянии и использовании земель сельскохозяйственного назначения Российский Федерации в 2019 году. Электронный ресурс: https://mcx.gov.ru/upload/iblock/ fb1/fb12ab74bc70b5091b0533f44a4d8dba.pdf (дата обращения 01.03.2023).
  4. 4. Ерусалимский В.И. Лес и пашня // Лесное хозяйство. 2011. № 2. С. 14–15.
  5. 5. Кирейчева Л.В. Шевченко В.А., Юрченко И.Ф. Оценка экономической эффективности ввода в агропроизводство залежных земель Нечерноземной зоны РФ // Московский экономический журнал. 2021. № 3. С. 245–255.
  6. 6. Курбанов Э.А., Воробьев О.Н., Незамаев С.А., Губаев А.В., Лежнин С.А., Полевщикова Ю.А. Тематическое картирование и стратификация лесов Марийского Заволжья по спутниковым снимкам Landsat-8 OLI // Йошкар-Ола: Вестник ПГТУ, Серия: Лес. Экология. Природопользование. 2013. № 3. С. 72–82.
  7. 7. Лежнин С.А. Дистанционный метод оценки формирования молодняков на залежах Марийского лесного Заволжья по спутниковым снимкам // Дис. … канд. с.-х. наук. Йошкар-Ола, 2013. 167 с.
  8. 8. Лежнин С.А., Музурова Р.Л. Оценка вторичной сукцессии на залежах Республики Марий Эл // Лесные экосистемы в условиях изменения климата: биологическая продуктивность и дистанционный мониторинг: материалы международной конференции. Йошкар-Ола: ПГТУ, 2019. С. 126–135.
  9. 9. Стыценко Е.А. Возможности распознавания сельскохозяйственных угодий с использованием методики совместной автоматизированной обработки разносезонных многозональных космических изображений // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14, № 5. С. 172–183.
  10. 10. Шихов А.Н., Герасимов А.П., Пономарчук А.И., Перминова Е. С. Тематическое дешифрирование и интерпретация космических снимков среднего и высокого пространственного разрешения [Электронный ресурс]: учебное пособие // Пермский государственный национальный исследовательский университет. 2020. 191 с. Режим доступа: http://www.psu.ru/files/docs/science/books/uchebnie-posobiya/shikhov-gerasimov-ponomarchukperminova-tematicheskoe-deshifrovanie-i-interpretaciyakosmicheskih-snimkov.pdf
  11. 11. Alcantara C., Kuemmerle T., Prishchepov A. V., Radeloff V. C. Mapping abandoned agriculture with multitemporal MODIS satellite data // Remote Sensing of Environment. 2012. Vol. 124. P. 334–347.
  12. 12. Boardman J.W. Automated spectral analysis: a geological example using AVIRIS data, north Grapevine Mountains, Nevada: in Proceedings, ERIM Tenth Thematic Conference on Geologic Remote Sensing // Environmental Research Institute of Michigan. 1994. P. 407–418.
  13. 13. Dannenberg M.P., Hakkenberg C.R., Song C. Consistent classification of Landsat-8 OLI time series with an improved automatic adaptive signature generalization algorithm // Remote Sensing. 2016. https://doi.org/10.3390/rs8080691
  14. 14. Defourny P., Bontemps S., Bellemans N., Cara C., Dedieu G., Guzzonato E., Hagolle O., Inglada J., Nicola L., Rabaute T., Savinaud M., Udroiu C., Valero S., Bégué A., Dejoux J.-F., El Harti A., Ezzahar J., Kussul N., Labbassi K., Lebourgeois V., Miao Z., Newby T., Nyamugama A., Salh N., Shelestov A., Simonneaux V., Traore P. S., Traore S. S., Koetz B. Near real-time agriculture monitoring at national scale at parcel resolution: performance assessment of the Sen2-Agri automated system in various cropping systems around the world // Remote Sensing of Environment. 2019. № 221. P. 551–568. https://doi.org/10.1016/J.RSE.2018.11.007
  15. 15. Estel S., Kuemmerle T., Alcántara C., Levers C., Prishchepov A., Hostert P. Mapping farmland abandonment and recultivation across Europe using MODIS NDVI time series // Remote Sensing of Environment. 2015. № 163, P. 312–325. https://doi.org/10.1016/J.RSE.2015.03.028
  16. 16. Fradette O., Marty C., Faubert P., Dessureault P.-L., Paré M., Bouchard S., Villeneuve C. Additional carbon sequestration potential of abandoned agricultural land afforestation in the boreal zone: A modelling approach // Forest Ecology and Management. 2021. Vol. 499. 119565. https://doi.org/10.1016/j.foreco.2021.119565
  17. 17. Fraser R. H., Oltho I., Pouliot D. Monitoring land cover change and ecological integrity in Canada’s national parks // Remote Sensing of Environment. 2009. № 113. P. 1397–1409. https://doi.org/10.1016/j.rse.2008.06.019
  18. 18. Friedl M.A., Sulla-Menashe D., Tan B., Schneider A., Ramankutty N., Sibley A., Huang X. M. MODIS collection 5 global land cover: algorithm refinements and characterization of new datasets // Remote Sensing of Environment. 2010. № 114. P. 168–182. https://doi.org/10.1016/j.rse.2009.08.016
  19. 19. Gómez C., White J.C., Wulder M.A. Optical remotely sensed time series data for land cover classification: a review // ISPRS Journal of Photogrammetry and Remote Sensing. 2016. № 116. P. 55–72. https://doi.org/10.1016/J.ISPRSJPRS.2016.03.008
  20. 20. Grădinaru S.R., Kienast F., Psomas A. Using multi-seasonal Landsat-8 OLI imagery for rapid identification of abandoned land in areas affected by urban sprawl // Ecological Indicators. 2019. Vol. 96, Pt. 2. P. 79–86.
  21. 21. Gray J., Song C.H. Consistent classification of image time series with automatic adaptive signature generalization // Remote Sensing of Environment. 2013. № 134. P. 333–341. https://doi.org/10.1016/j.rse.2013.03.022
  22. 22. Janus J., Bożek P., Mitka B., Taszakowski J., Doroż A. Long-term forest cover and height changes on abandoned agricultural land: An assessment based on historical stereometric images and airborne laser scanning data // Ecological Indicators. 2021. Vol. 120. 106904. https://doi.org/10.1016/j.ecolind.2020.106904
  23. 23. Kolecka N., Kozak J., Kaim D., Dobosz M., Ginzler C., Psomas A. Mapping secondary forest succession on abandonet agricultural land in the Polish Carpathians // Remote Sensing and Spatial Information Sciences. 2016. Vol. XLI-B8. P. 931–935.
  24. 24. Levers C., Schneider M., Prishchepov A. V., Estel S. Spatial variation in determinants of agricultural land abandonment in Europe // Science of The Total Environment. 2018. Vol. 644. P. 95–111.
  25. 25. Liu J., Kuang W.H., Zhang Z.X., Xu X.L., Qin Y.W., Ning J., Zhou W.C., Zhang S.W., Li R.D., Yan C.Z., Wu S.X., Shi X.Z., Jiang N., Yu D.S., Pan X.Z., Chi W.F. Spatiotemporal characteristics, patterns, and causes of land-use changes in China since the late 1980s // Journal of Geographical Sciences. 2014. № 24. P. 195–210. https://doi.org/10.1007/s11442-014-1082-6
  26. 26. Liu B., Song W. Mapping abandoned cropland using Within-Year Sentinel-2 time series // CATENA. 2023. Vol. 223. 106924. https://doi.org/10.1016/j.catena.2023.106924
  27. 27. Löw F., Fliemann E., Abdullaev I., Conrad C., Lamers J. P.A. Mapping abandoned agricultural land in Kyzyl-Orda, Kazakhstan using satellite remote sensing // Applied Geography. 2015. Vol. 62. P. 377–390. https://doi.org/10.1016/j.apgeog.2015.05.009
  28. 28. Mainali K., Evans M., Saavedra D., Mills E., Madsen B., Minnemeyer S. Convolutional neural network for high-resolution wetland mapping with open data: Variable selection and the challenges of a generalizable model // Science of The Total Environment. 2023. Vol. 861. 160622. https://doi.org/10.1016/j.scitotenv.2022.160622
  29. 29. Nordén B., Olsen S. L., Haug S., Rusch G. Recent forest on abandoned agricultural land in the boreonemoral zone – Biodiversity of plants and fungi in relation to historical and present tree cover // Forest Ecology and Management. 2021. Vol. 489. 119045. https://doi.org/10.1016/j.foreco.2021.119045
  30. 30. Parés-Ramos I.K., Gould W.A., Aide T.M. Agricultural abandonment, suburban growth, and forest expansion in Puerto Rico between 1991 and 2000 // Ecology and Society. 2008. № 13(8). https://doi.org/10.5751/ES-02479-130201
  31. 31. Pax-Lenney M., Woodcock C.E., Macomber S.A., Gopal S., Song C.Forest mapping with a generalized classifier and Landsat-8 OLI TM data // Remote Sensing of Environment. 2001. № 77. P. 241–250. https://doi.org/10.1016/S0034-4257 (01)00208-5
  32. 32. Pedersen N.K., Schmidt I.K., Kepfer-Rojas S. Drivers of tree colonization, species richness, and structural variation during the initial three decades of natural forest colonization in abandoned agricultural soils // Forest Ecology and Management. 2023. Vol. 543. https://doi.org/10.1016/j.foreco.2023.121138
  33. 33. Phalke A.R., Özdoğan M. Large area cropland extent mapping with Landsat-8 OLI data and a generalized classifier // Remote Sensing of Environment. 2018. Vol. 219. P. 180–195. https://doi.org/10.1016/j.rse.2018.09.025
  34. 34. Pointereau P., Coulon F.P., Girard M.L., Stuczynski T., Ortega V.S., Del Rio A. Analysis of farmland abandonment and the extent and location of agricultural areas that are actually abandoned or are in risk to be abandoned // JRC Scientific and Technical Reports. 2008 (EUR23411 EN).
  35. 35. Song W. Mapping Cropland Abandonment in Mountainous Areas Using an Annual Land-Use Trajectory Approach // Sustainability. 2019. Vol. 11. P. 1–24.
  36. 36. Thenkabail P.S., Knox J.W., Ozdogan M., Gumma M.K., Congalton R.G., Zhuoting W.U., Milesi C., Finkral A., Marshall M., Mariotto I. Assessing future risks to agricultural productivity, water resources and food security: how can remote sensing help? // Photogrammetric Engineering & Remote Sensing. 2012. № 78(8). P. 773–782.
  37. 37. Wittke S., Xiaowei Y., Karjalainen M., Hyyppä J., Puttonen E. Comparison of two-dimensional multitemporal Sentinel-2 data with three-dimensional remote sensing data sources for forest inventory parameter estimation over a boreal forest // International Journal of Applied Earth Observation and Geoinformation. 2019. Vol. 76. P. 167–178.
  38. 38. Xu Y., Yu L., Zhao F.R., Cai X., Zhao J., Lu H., Gong P. Tracking annual cropland changes from 1984 to 2016 using time-series Landsat-8 OLI images with a change detection and post-classification approach: experiments from three sites in Africa // Remote Sensing of Environment. 2018. № 218. P. 13–31. https://doi.org/10.1016/J.RSE.2018.09.008
QR
Перевести

Индексирование

Scopus

Scopus

Scopus

Crossref

Scopus

Высшая аттестационная комиссия

При Министерстве образования и науки Российской Федерации

Scopus

Научная электронная библиотека