By this author

Satellite-Based Mapping of the Negative Impact of Gold Mining Enterprises on the Natural Environment of the Cryolithozone (On the Example of the Magadan Region)

Issue number 1 from 15.09.2025

Золотодобыча на рудных и россыпных месторождениях сопровождается значительным воздействием на природную среду криолитозоны, в частности нарушением земель и загрязнением рек взвешенными веществами. В настоящей работе рассматривается методика идентификации и картографирования негативного воздействия золотодобывающих предприятий на природную среду на основе многолетнего ряда открытых спутниковых данных Landsat и Sentinel-2. Исследование проведено на примере Тенькинского, Сусуманского и Ягоднинского районов Магаданской области, в пределах которых расположены крупнейшие золоторудные месторождения. Выявлены дешифровочные признаки участков действующих разработок и ранее отработанных участков, на которых начинается восстановление растительности. На основе экспертного дешифрирования и анализа значений NDVI установлено, что около 2% площади района исследования нарушены в результате золотодобычи, из них только на 10% наблюдаются процессы восстановления растительного покрова. В Тенькинском районе выявлено увеличение площади нарушенных земель за период 2001–2021 гг. более чем в 7 раз, что связано со значительным увеличением объемов золотодобычи. С применением модуля С2RCC программного пакета SNAP оценено содержание взвешенных веществ в воде рек Берелёх, Аян-Юрях и Колыма (которые подвергаются наиболее интенсивному загрязнению), в сравнении с фоновыми значениями. Установлено, что основным источником загрязнения рек взвешенными веществами являются разрабатываемые россыпные месторождения золота в пойме р. Берелёх. При этом сезонная изменчивость загрязнения определяется гидрологическими условиями (мутность уменьшается в период межени и растет при высоких уровнях воды).

4 0

Comparative Assessment of Different Architectures of Convolutional Neural Network for Semantic Segmentation of Forest Disturbances from Multi-Temporal Satellite Images

Issue number 3 from 15.09.2025

Алгоритмы, основанные на использовании сверточных нейронных сетей, являются наиболее эффективными для семантической сегментации изображений, в том числе для распознавания нарушений лесного покрова по спутниковым снимкам. В настоящей работе рассмотрена применимость различных модификаций сверточной нейронной сети архитектуры U-net для распознавания вырубок, гарей и ветровалов по разновременным и разносезонным спутниковым снимкам Sentinel-2. Оценка выполнена на трех тестовых участках, существенно различающихся по характеристикам насаждений и лесопользования. Наиболее высокая точность (среднее значение F-меры 0.59) получена по базовой модели U-net, а модели, которые показали наилучшие результаты при обучении (Attention U-Net и MobilNetv2 U-Net), не обеспечили повышение точности сегментации на независимых данных. Полученные оценки точности близки к ранее опубликованным для лесов со значительной долей проходных и выборочных рубок. Основными факторами, определяющими точность сегментации, являются характеристики самих нарушений (площадь участков рубок и их тип). Существенные различия также выявлены между снимками разных сезонов, причем максимальна точность распознавания по зимним парам снимков. По летним парам снимков и снимкам разных сезонов площадь нарушений существенно недооценивается моделями. Преобладающая порода в древостое оказывает менее существенное влияние, хотя для двух из трех тестовых участков максимальная точность отмечена в темнохвойных лесах, а минимальная – в лиственных лесах. Статистически значимое влияние освещенности склонов на точность распознавания по зимним парам снимков не выявлено. Точность распознавания гарей, которая оценивалась на примере 14 крупных лесных пожаров 2021–2022 гг., оказалась неудовлетворительной, что, вероятно, обусловлено разной степенью повреждения лесного покрова на гарях.

4 0