Статьи 2026 г.
1 Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева
Проспект имени газеты «Красноярский рабочий», 31, Красноярск, 660037 Российская Федерация
2 Институт вычислительного моделирования – обособленное подразделение ФИЦ КНЦ СО РАН
Aкадемгородок, 50/44, Красноярск, 660036 Российская Федерация
3 Институт леса им. В. Н. Сукачева СО РАН – обособленное подразделение ФИЦ КНЦ СО РАН
Aкадемгородок, 50/28, Красноярск, 660036 Российская Федерация
E-mail: babii-igor@mail.ru, valeriyamigunova@gmail.com, renia2006@mail.ru, zhdanmaks2000@gmail.com, lapko@icm.krasn.ru, valapko@yandex.ru, stim@ksc.krasn.ru, sjfs@ksc.krasn.ru, danilin@ksc.krasn.ru
Реферат
УДК 630*4+528.8
Бабий И. А.1, 2, 3, Водневская В. С.2, 3, Мамышев Р. Ш.2, 3, Ждановский М. Н.2, 3, Лапко А. В.1, 2, Лапко В. А.1, 2, Им С. Т.1, 3, Целитан И. А.1, 3, Данилин И. М.1, 3 Спектральная декомпозиция лесного покрова с использованием метода структурного анализа данных и индекса BNDVI по материалам космической съёмки // Сибирский лесной журнал. 2026. № 5. С. …
DOI: 10.15372/SJFS20260507
EDN: …
© Бабий И. А., Водневская В. С., Мамышев Р. Ш., Ждановский М. Н., Лапко А. В., Лапко В. А., Им С. Т., Целитан И. А., Данилин И. М., 2026
В работе решается задача сравнения метода структурного анализа данных дистанционного зондирования и нормализованного разностного вегетационного индекса BNDVI. Рассматриваемый спектральный индекс основан на использовании синего и ближнего инфракрасного каналов электромагнитного спектра. Эта комбинация позволяет повысить эффективность исследования лесного покрова при наличии атмосферной дымки, оценки фотосинтетической активности и содержания хлорофилла в условиях водного стресса. При использовании спектрального индекса BNDVI возникает проблема экспертного оценивания его пороговых значений для определения состояний лесного покрова. Определение пороговых значений осуществляется с учётом вида оценки плотности вероятности значений спектрального индекса и данных наземных исследований. Используемая пара каналов электромагнитного спектра (синий, ближний инфракрасный) используется для формирования метода структурного анализа данных дистанционного зондирования лесного покрова. Преимущество этого метода состоит в отсутствии необходимости определения пороговых значений параметров алгоритма классификации. Предлагаемый метод основан на анализе составляющих оценки коэффициента корреляции, которые являются нормированными значениями спектральных признаков: положительные, отрицательные и знакопеременные. На основе знаков, составляющих оценки коэффициента корреляции, формируется решающее правило декомпозиции нормированного пространства спектральных признаков на четыре класса состояний лесного покрова. Рассматриваются результаты применения метода структурного анализа данных дистанционного зондирования и спектрального индекса BNDVI на примере тестового участка лесного покрова, повреждённого сибирским шелкопрядом. Исходная статистическая информация формируется на основе материалов космической съёмки 08 августа 2019 г. с аппарата Landsat 8/OLI. Результаты исследований иллюстрируются картосхемами, графиками оценок плотностей вероятностей и таблицами основных показателей дешифрирования тестового участка лесного покрова.
Текст статьи
СПИСОК ЛИТЕРАТУРЫ (REFERENCES)
Алексеев А. С., Черниховский Д. М. Выявление повреждений хвойных насаждений на основе комплексного анализа результатов дистанционного зондирования Земли и наземных обследований // ИВУЗ. Лесн. журн. 2024. № 2. С. 11–28 [Alekseev A. S., Chernikhovskiy D. M. Vyyavlenie povrezhdeniy khvoynykh nasazhdeniy na osnove kompleksnogo analiza rezul'tatov distantsionnogo zondirovaniya Zemli i nazemnykh obsledovaniy (Identification of damage to coniferous stands based on a comprehensive analysis of the results of remote sensing of the Earth and ground-based surveys) // IVUZ. Lesn. zhurn. (For. J.). 2024. N. 2. P. 11–28 (in Russian with English abstract and references)].
Бабий И. А., Водневская В. С., Ждановский М. Н., Мамышев Р. Ш., Данилин И. М., Лапко В. А., Лапко А. В., Им С. Т., Юронен Ю. П. Сравнение вегетационных индексов NDVI, GNDVI, BNDVI, NDII и COASTAL NDVI для оценки состояния лесного массива, поврежденного сибирским шелкопрядом // Агрофизика. 2025. № 4. С. 60–70 [Babiy I. A., Vodnevskaya V. S., Zhdanovskiy M. N., Mamyshev R. Sh., Danilin I. M., Lapko V. A., Lapko A. V., Im S. T., Yuronen Yu. P. Sravnenie vegetatsionnykh indeksov NDVI, GNDVI, BNDVI, NDII i COASTAL NDVI dlya otsenki sostoyaniya lesnogo massiva, povrezhdennogo sibirskim shelkopryadom (Comparison of vegetation indices NDVI, GNDVI, BNDVI, NDII and COASTAL NDVI for assessing the condition of forests damaged by the Siberian silkworm) // Agrofizika (Agrophysics). 2025. N. 4. P. 60–70 (in Russian with English abstract and references)].
Васильев В. И., Эш С. Н. Особенности алгоритмов самообучения и кластеризации // Управляющие системы и машины. 2011. № 3. С. 3-9 [Vasil’ev V. I., Ash S. N. Osobennosti algoritmov samoobucheniya i klasterizatsii (Features of self-learning and clustering algorithms) // Upravlyayushchie sistemy i mashiny (Control systems and machines). 2011. N. 3. P. 3–9 (in Russian with English abstract)].
Дорофеюк А. А. Алгоритмы автоматической классификации // Автоматика и телемеханика. 1971. № 12. С. 78–113 [Dorofeyuk A. A. Algoritmy avtomaticheskoy klassifikatsii (Automatic classification algorithms) // Avtomatika i telemekhanika (Automation and telemechanics). 1971. N. 12. P. 78–113 (in Russian with English abstract)].
Дорофеюк А. А. Методология экспертно-классификационного анализа в задачах управления и обработки сложноорганизованных данных (история и перспективы развития) // Проблемы управления. 2009. № 3.1. С. 19–28 [Dorofeyuk A. A. Metodologiya ekspertno-klassifikatsionnogo analiza v zadachakh upravleniya i obrabotki slozhnoorganizovannykh dannykh (istoriya i perspektivy razvitiya) (Methodology of expert-classification analysis in the tasks of managing and processing complex data (history and development prospects) // Problemy upravleniya (Management Issues). 2009. N. 3.1. P. 19–28 (in Russian with English abstract)].
Журбин И. В., Шаура А. С., Злобина А. Г., Баженова А. И. Выявление участков антропогенно-преобразованной природной среды на основе комплексного анализа разносезонной мультиспектральной съёмки // Автометрия. 2024. Т. 60. № 1. С. 73–83 [Zhurbin I. V., Shaura A. S., Zlobina A. G., Bazhenova A. I. Vyyavlenie uchastkov antropogenno-preobrazovannoy prirodnoy sredy na osnove kompleksnogo analiza raznosezonnoy mul’tispektral’noy s'yomki (Identification of areas of anthropogenically transformed natural environment based on a comprehensive analysis of multi-seasonal multispectral surveys) // Avtometriya (Autometry). 2024. V. 60. N. 1. P. 73–83 (in Russian with English abstract and references)].
Загоруйко Н. Г. Когнитивный анализ данных. Новосибирск: Акад. изд-во «ГЕО», 2013. 183 с. [Zagoruyko N. G. Kognitivny analiz dannykh (Cognitive data analysis). Novosibirsk: Akad. izd-vo «GEO» («GEO» Acad. Publ.), 2013. 183 p. (in Russian with English abstract)].
Лапко А. В., Лапко В. А. Ядерные оценки плотности вероятности и их применение. Красноярск: СибГУ им. М. Ф. Решетнёва, 2021. 308 с. [Lapko A. V., Lapko V. A. Yadernye otsenki plotnosti veroyatnosti i ikh primenenie (Kernel probability density estimates and their applications). Krasnoyarsk: SibGU im. M. F. Reshetnova (Reshetnev St. Univ. Sci. & Technol.), 2021. 308 p. (in Russian)].
Лапко А. В., Лапко В. А. Методика декомпозиции значений двухмерных спектральных признаков дистанционного зондирования на основе анализа составляющих коэффициента корреляции // Измерительная техника. 2024. Т. 73. № 6. С. 12–17 [Lapko A. V., Lapko V. A. Metodika dekompozitsii znacheniy dvukhmernykh spektral’nykh priznakov distantsionnogo zondirovaniya na osnove analiza sostavlyayushchikh koeffitsienta korrelyatsii (Methodology for decomposing the values of two-dimensional spectral features of remote sensing based on the analysis of the components of the correlation coefficient) // Izmeritel’naya tekhnika (Measuring equipment). 2024. V. 73. N. 6. P. 12–17 (in Russian with English abstract and references)].
Лапко А. В., Лапко В. А., Им С. Т. Методика декомпозиции спектральных данных дистанционного зондирования пожаров лесных территорий // Информатика и системы управления. 2024. Т. 81. № 3. С. 112–120 [Lapko A. V., Lapko V. A., Im S. T. Metodika dekompozitsii spektral'nykh dannykh distantsionnogo zondirovaniya pozharov lesnykh territoriy (Methodology for decomposition of spectral data from remote sensing of forest fires) // Informatika i sistemy upravleniya (Computer Science and Control Systems). 2024. V. 81. N. 3. P. 112–120 (in Russian with English abstract and references)].
Лапко А. В., Лапко В. А., Им С. Т. Декомпозиция спектральных признаков дистанционного зондирования на основе составляющих коэффициента корреляции // Автометрия. 2025а. Т. 61. № 3. С. 28–36 [Lapko A. V., Lapko V. A., Im S. T. Dekompozitsiya spektral'nykh priznakov distantsionnogo zondirovaniya na osnove sostavlyayushchikh koeffitsienta korrelyatsii (Decomposition of spectral features of remote sensing based on the components of the correlation coefficient) // Avtometriya (Autometry). 2025a. V. 61. N. 3. P. 28–36 (in Russian with English abstract and references)].
Лапко А. В., Лапко В. А., Им С. Т., Юронен Ю. П. Модифицированный метод структурного анализа данных дистанционного зондирования // Измерительная техника. 2025б. Т. 74. № 6. С. 4–12 [Lapko A. V., Lapko V. A., Im S. T., Yuronen Yu. P. Modifitsirovanny metod strukturnogo analiza dannykh distantsionnogo zondirovaniya (Modified method of structural analysis of remote sensing data) // Izmeritel’naya tekhnika (Measuring equipment). 2025b. V. 74. N. 6. P. 4–12 (in Russian with English abstract and references)].
Митрофанова О. А., Митрофанов Е. П., Блеканов И. С., Молин А. Е. Специализированный датасет мультиспектральных аэрофотоснимков для решения задач точного земледелия с применением методов искусственного интеллекта // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 6. С. 67–79 [Mitrofanova O. A., Mitrofanov E. P., Blekanov I. S., Molin A. E. Spetsializirovanny dataset mul’tispektral’nykh aerofotosnimkov dlya resheniya zadach tochnogo zemledeliya s primeneniem metodov iskusstvennogo intellekta (A specialized dataset of multispectral aerial images for solving precision farming problems using artificial intelligence methods) // Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa (Contemporary problems of remote sensing of the Earth from space). 2023. V. 20. N. 6. P. 67–79 (in Russian with English abstract and references)].
Пономарёв Е. И., Якимов Н. Д., Третьяков П. Д., Сультсон С. М. Оценка дефолиации темнохвойных древостоев после воздействия сибирского шелкопряда по дистанционным данным // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 4. С. 175–186 [Ponomarov E. I., Yakimov N. D., Tret’yakov P. D., Sul’tson S. M. Otsenka defoliatsii temnokhvoynykh drevostoev posle vozdeystviya sibirskogo shelkopryada po distantsionnym dannym // Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa (Contemporary problems of remote sensing of the Earth from space). 2023. V. 20. N. 4. P. 175–186 (in Russian with English abstract and references)].
Сультсон С. М., Пономарев Е. И., Швецов Е. Г., Третьяков П. Д., Горошко А. А., Кулакова Н. Н., Михайлов П. В. Применение дистанционного зондирования для прогноза нарушений темнохвойных лесов после вспышки численности сибирского шелкопряда // Биосфера. 2023. Т. 15. № 1. С. 21–32 [Sul’tson S. M., Ponomarev E. I., Shvetsov E. G., Tret'yakov P. D., Goroshko A. A., Kulakova N. N., Mikhaylov P. V. Primenenie distantsionnogo zondirovaniya dlya prognoza narusheniy temnokhvoynykh lesov posle vspyshki chislennosti sibirskogo shelkopryada (Using remote sensing to predict disturbance to dark coniferous forests after a Siberian silkworm outbreak) // Biosfera (Biosphere). 2023. V. 15. N. 1. P. 21–32 (in Russian with English abstract and references)].
Сультсон С. М., Горошко А. А., Демидко Д. А., Михайлов П. В., Слинкина О. А., Кулакова Н. Н. Анализ пространственного распространения вспышки сибирского шелкопряда на основе рельефа местности в условиях горных южно-таёжных лесов Сибири // Sib. J. Life Sci. Agr. 2025. Т. 17. № 1. С. 282–307 [Sul’tson S. M., Goroshko A. A., Demidko D. A., Mikhaylov P. V., Slinkina O. A., Kulakova N. N. Analiz prostranstvennogo rasprostraneniya vspyshki sibirskogo shelkopryada na osnove rel’efa mestnosti v usloviyakh gornykh yuzhno-taezhnykh lesov Sibiri (Analysis of the spatial distribution of the Siberian silkworm outbreak based on the terrain in the mountainous southern taiga forests of Siberia) // Sib. J. Life Sci. Agr. 2025. V. 17. N. 1. P. 282–307 (in Russian with English abstract and references)].
Тарасов А. В., Шихов А. Н., Шабалина Т. В. Распознавание нарушений лесного покрова по спутниковым снимкам Sentinel-2 с помощью свёрточных нейронных сетей // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 3. С. 51–64 [Tarasov A. V., Shikhov A. N., Shabalina T. V. Raspoznavanie narusheniy lesnogo pokrova po sputnikovym snimkam Sentinel-2 s pomoshch’yu svertochnykh neyronnykh setey (Forest disturbance detection from Sentinel-2 satellite imagery using convolutional neural networks) // Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa (Contemporary problems of remote sensing of the Earth from space). 2021. V. 18. N. 3. P. 51–64 (in Russian with English abstract and references)].
Тубольцев В. П., Лапко А. В., Лапко В. А. Модифицированный непараметрический алгоритм автоматической классификации статистических данных большого объема и его применение // Искусственный интеллект и принятие решений. 2023. № 4. С. 49–57 [Tubol'tsev V. P., Lapko A. V., Lapko V. A. Modifitsirovanny neparametricheskiy algoritm avtomaticheskoy klassifikatsii statisticheskikh dannykh bol'shogo ob'ema i ego primenenie (A modified nonparametric algorithm for automatic classification of large-volume statistical data and its application) // Iskusstvenny intellekt i prinyatie resheniy (Artificial intelligence and decision making). 2023. N. 4. P. 49–57 (in Russian with English abstract)].
Хвостиков С. А., Барталев С. А., Егоров В. А., Стыценко Е. А. Выбор информативных индикаторов и метода построения регрессии для оценки бонитета лесов по спутниковым данным дистанционного зондирования // Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 4. С. 64–75 [Khvostikov S. A., Bartalev S. A., Egorov V. A., Stytsenko E. A. Vybor informativnykh indikatorov i metoda postroeniya regressii dlya otsenki boniteta lesov po sputnikovym dannym distantsionnogo zondirovaniya (Selection of important variables and best machine learning method for estimation of forest productivity using remote sensing data) // Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa (Contemporary problems of remote sensing of the Earth from space). 2025. V. 22. N. 4. P. 64–75 (in Russian with English abstract and references)].
Цыпкин Я. З. Основы теории обучающихся систем. М.: Наука, 1970. 252 c. [Tsypkin Ya. Z. Osnovy teorii obuchayushchikhsya sistem (Fundamentals of the theory of learning systems). Moscow: Nauka (Science), 1970. 252 p. (in Russian)].
Bergmüller K. O., Vanderwel M. C. Predicting tree mortality using spectral indices derived from multispectral UAV imagery // Rem. Sens. 2022. V. 14. N. 9. Article 2195.
Chávez R. O., Clevers J. G. P. W., Decuyper M., Bruin S. de, Herold M. 50 years of water extraction in the Pampa del Tamarugal basin: Can Prosopis tamarugo trees survive in the hyper-arid Atacama Desert (Northern Chile) // J. Arid Environ. 2016. V. 124. P. 292–303.
Ecke S., Stehr F., Dempewolf J., Frey J., Klemmt H.-J., Seifert T., Tiede D. Species-specific machine learning models for UAV-based forest health monitoring: Revealing the importance of the BNDVI // Int. J. Appl. Earth Observ. Geoinform. 2024. V. 135. Article 104257.
Gitelson A., Kaufman Y., Merzlyak M. Use of a green channel in remote sensing of global vegetation from EOS-MODIS // Rem. Sens. Environ. 1996. V. 58. Iss. 3. P. 289–298.
Hardisky M, Klemas V, Smart R. The influences of soil salinity, growth form, and leaf moisture on the spectral reflectance of Spartina alterniflora canopies // Photogr. Engineer. Rem. Sens. 1983. V. 48. Iss. 1. P. 77–84.
Härdle W. K., Lu H. H. S., Shen X. Handbook of big data analytics. Berlin-Heidelberg: Springer, 2018. 538 p.
Huang S., Tang L., Hupy J. P., Wang Y., Shao G. A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing // J. For. Res. 2021. V. 32. Iss. 1. P. 1–6.
Hunt E. R. Jr., Hively W. D., Fujikawa S. J., Linden D. S., Daughtry C. S. T., McCarty G. W. Acquisition of NIR-green-blue digital photographs from unmanned aircraft for crop monitoring // Rem. Sens. 2010. V. 2. N. 1. P. 290–305.
ICP Forests, 2026. https://www.icp-forests.net
Johnston J., Dinardo J. Econometric methods. New York: McGraw-Hill, 1997. 531 p.
Key C. H. Ecological and sampling constraints on defining landscape fire severity // Fire Ecol. 2006. V. 2. N. 2. P. 34–59.
Lee Ye., Ahn M. H., Kang M., Eo M. Spectral replacement using machine learning methods for continuous mapping of the geostationary environment monitoring spectrometer (GEMS) // Atm. Measur. Techniq. 2023. V. 16. N. 1. P. 153–168.
Meneses-Tovar C. L. El índice normalizado diferencial de la vegetación como indicador de la degradación del bosque // Unasylva. 2011. V. 62. N. 238. P. 39–46.
Riano D., Chuvieco E., Salas J., Aguado I. Assessment of different topographic corrections in Landsat-TM data for mapping vegetation types // IEEE Trans. Geosci. Rem. Sens. 2003. V. 41. Iss. 5. P. 1056–1061.
Sriwongsitanon N., Jandang W., Williams J., Suwawong, T., Maekan E., Savenije H. H. G. Using normalised difference infrared index patterns to constrain semi-distributed rainfall-runoff models in tropical nested catchments // Hydrol. Earth Syst. Sci. 2023. V. 27. N. 11. P. 2149–2171.
Tariq A., Jiango Ya., Li Q., Gao J., Lu L., Soufan W., Almutairi Kh. F., Habib-ur-Rahman M. 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. 2023. V. 9. N. 6. Article e13212.
Vermote E., Justice C., Claverie M., Franch B. Preliminary analysis of the performance of the Landsat 8/OLI land surface reflectance product // Rem. Sens. Environ. 2016. V. 185. Iss. 2. P. 46–56.
White J. C., Coops N. C., Hilker T., Wulder M. A., Carroll A. L. Detecting mountain pine beetle red attack damage with EO-1 Hyperion moisture indices // Int. J. Rem. Sens. 2007. V. 28. N. 10. P. 2111–2121.
Wilson N. R., Norman L. M. Analysis of vegetation recovery surrounding a restored wetland using the normalized difference infrared index (NDII) and normalized difference vegetation index (NDVI) // Int. J. Rem. Sens. 2018. V. 39. N. 10. P.3243–3274.
Yan X., Li J., Smith A.R., Yang Di., Ma T., Su Y., Shao J. Evaluation of machine learning methods and multi-source remote sensing data combinations to construct forest above-ground biomass models // Int. J. Digit. Earth. 2023. V. 16. N. 2. P. 4471–4491.
Yang C., Everitt J. H., Bradford J. M., Murden D. Airborne hyperspectral imagery and yield monitor data for mapping cotton yield variability // Precis. Agr. 2004. V. 5. N. 5. P. 445–461.
