Оценка динамики лесов арктических территорий Архангельской области с использованием материалов ДЗЗ тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Алабдуллахалхасно Хасан

• Алабдуллахалхасно Хасан
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Алабдуллахалхасно Хасан

ВВЕДЕНИЕ

ГЛАВА 1. СОСТОЯНИЕ ПРОБЛЕМЫ ИССЛЕДОВАНИЙ

1.1 История развития дистанционного зондирования

1.2. Методы выявления изменений в лесных экосистемах

1.3. Мониторинг изменений в лесах с использованием спектральных индексов

1.4. Основные спектральные индексы

1.5. Классификация спутниковых изображений

1.5.1. Неконтролируемая классификация (Unsupervised Classification)

1.5.2. Контролируемая классификация (Supervised Classification)

1.6. Комбинированное использование NDVI и MSI для оценки экологического стресса

1.7. Прогнозирование изменений лесного покрова с использованием цепей Маркова37

1.8. Оценка биомассы лесов и углерода

ГЛАВА 2. ПРИРОДНЫЕ УСЛОВИЯ РАЙОНА ИССЛЕДОВАНИЯ

2.1 Местоположение

2.2 .Климат района исследований

2.3. Лесные почвы в Архангельской области

2.4. Рельеф Архангельской области

2.5. Леса Архангельской области

ГЛАВА 3. ПРОГРАММА, МЕТОДИКА И ОБЪЕКТЫ ИССЛЕДОВАНИЯ

3.1 Спутниковые данные

3.2 Используемое программное обеспечение

3.3 Обработка спутниковых изображений

3.4 Расчёт вегетационных индексов

3.5. Расчёт биофизических индексов

3.6 Выявление изменений (Change Detection)

3.6.1 Использование вегетационных индексов (Vegetation Indices)

3.6.2 Автоматическая классификация изображений

3.7 Оценка точности классификации (Accuracy Assessment)

3.8 Прогнозирование изменений лесного покрова с использованием цепей Маркова (Markov Chain)

3.9 Интеграция NDVI и MSI для оценки экологического стресса

3.10 Анализ воздействия ветровалов на растительный покров бореальных лесов ..58 ГЛАВА 4. ОЦЕНКА СОСТОЯНИЯ ЛЕСОВ АРКТИЧЕСКОЙ ЗОНЫ АРХАНГЕЛЬСКОЙ ОБЛАСТИ

4.1 Текущее состояние лесов арктической зоны на территории Архангельской области

4.1.1 Расчёт вегетационных индексов

4.1.2 Интеграция NDVI и MSI для оценки экологического стресса

4.2 Мониторинг изменений арктических лесов Архангельской области на основе спутниковых снимков за период с 2014 по 2024 годы

4.3 Использование методов машинного обучения для анализа изменений в лесах Архангельской области

4.3.1 Алгоритм Случайного Леса (Random Forest)

4.3.2 Алгоритм Опорных Векторов (SVM)

4.4 Долгосрочное моделирование изменений в лесах с использованием модели Маркова

(CA-Markov)

4.5. Оценка экологических показателей арктических лесов Архангельской области с применением программного обеспечения SNAP на основе спутниковых изображений

Sentinel-2

4.5.1. Листовой индекс (LAI — Leaf Area Index)

4.5.2 Коэффициент активного поглощения солнечной энергии растительностью (FAPAR)

4.5.3 Индекс содержания влаги в кроне растения (CWC)

4.6 Анализ воздействия ветровалов на растительный покров бореальных лесов

4.7. Динамика лесных насаждений по данным пробных площадей

ГЛАВА 5. ОЦЕНКА БИОМАССЫ И ЗАПАСОВ УГЛЕРОДА В ЛЕСАХ АРКТИЧЕСКОЙ ЗОНЫ АРХАНГЕЛЬСКОЙ ОБЛАСТИ

5.1 Оценка биомассы еловых насаждений и динамика развития леса в период с 2010 по 2024 год

5.2 Оценка запаса углерода в лесах

ВЫВОДЫ И РЕКОМЕНДАЦИИ

Выводы

Практические рекомендации

Термины дистанционного зондирования Земли

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

Введение диссертации (часть автореферата) на тему «Оценка динамики лесов арктических территорий Архангельской области с использованием материалов ДЗЗ»

ВВЕДЕНИЕ

Леса — один из ключевых компонентов биосферы, обеспечивающий около 45 % глобального чистого первичного продуцирования и занимающий приблизительно 28 % суши (FAO, 2020). Они играют критическую роль в поддержании климата, биоразнообразия и углеродного баланса, поглощая большие объёмы CO2 (Pan Y. et al., 2011). По данным российских исследователей, в лесных экосистемах аккумулируется около 233 Гт углерода, из которых 34 Гт содержатся в живой фитомассе и 182 Гт — в почвенном гумусе (Фёдоров Б. Г. и др., 2011).

Однако лесные экосистемы испытывают растущее давление вследствие изменения климата, антропогенной нагрузки и деградации природных территорий (Соловьева и др., 2025). С 1990 по 2015 гг. площадь лесов в мире сократилась на ~129 млн га, или 3,1 % (Asrat & Tesfaye, 2013; Curtís P. G. et al., 2018), что привело к снижению углеродной ёмкости и утрате биоразнообразия (Vázquez-Quintero G. et al., 2016; Barakat A. et al., 2018).

В ответ на эти вызовы активно развиваются методы дистанционного зондирования Земли и геоинформационные технологии, обеспечивающие высокоточную оценку состояния и динамики лесов (Pettorelli N. et al., 2014; Emhamed R. M., 2016; Fassnacht F. E., 2024). Эти методы дополняют традиционные лесоинвентаризационные подходы, которые важны, но требуют значительных ресурсов и часто ограничены территориями наблюдений (Исаев А. С., Черненкова Т. В., 2015; Баркат и др., 2018).

Использование данных спутников Landsat и Sentinel-2 в сочетании с ГИС позволяет отслеживать изменения лесного покрова, оценивать биомассу и выявлять нарушения землепользования (Курбанов и др., 2014; Замолодчиков и др., 2013; Мамедов, 2024). Эти технологии стали стратегическим инструментом устойчивого лесоуправления и климатического мониторинга (Иванова А., 2015; Михайлов и др., 2023; FAO, 2020).

Таким образом, интеграция современных спутниковых данных и аналитических методов обеспечивает объективный контроль за состоянием лесных экосистем и способствует разработке эффективных стратегий их сохранения.

Актуальность исследования. Леса играют ключевую роль в поддержании экологического равновесия, регулировании климата и обеспечении биологического разнообразия. В условиях роста антропогенной нагрузки и изменения климата состояние лесных экосистем приобретает стратегическое значение для устойчивого развития

северных регионов России. Архангельская область, относящаяся к бореальной зоне, выполняет важнейшие экологические функции, однако в последние десятилетия её леса подвергаются значительным природным и антропогенным воздействиям — вырубкам, пожарам, нашествиям вредителей и климатическим колебаниям, что приводит к деградации и потере части лесного покрова. для рационального использования и сохранения лесных ресурсов необходима регулярная оценка их состояния и динамики. Традиционные методы наземных обследований, несмотря на высокую точность, не обеспечивают оперативного охвата обширных и труднодоступных территорий. Современные технологии дистанционного зондирования Земли и геоинформационные системы, в сочетании с алгоритмами машинного обучения, открывают новые возможности для объективного и масштабного мониторинга лесных экосистем. Применение этих методов особенно актуально для Архангельской области, они позволяют повысить эффективность оценки состояния лесов, выявить тенденции деградации и процессы восстановления. Таким образом, исследование, направленное на комплексную оценку состояния и динамики лесов Архангельской области с использованием технологий дистанционного зондирования, ГИС и методов машинного обучения, имеет важную научную и практическую значимость в контексте устойчивого природопользования и экологической безопасности региона.

Степень разработанности темы исследования. Анализ российской и зарубежной литературы показывает, что технологии дистанционного зондирования стали ключевым инструментом мониторинга лесных экосистем бореальных и арктических зон России. Наиболее широко применяется индекс NDVI, используемый для отслеживания сезонных и структурных изменений лесного покрова (Ковалёв, 2021). Данные Sentinel-2 продемонстрировали высокую эффективность при оценке запасов древесины с применением современных статистических моделей (Rees et al., 2021), а недавние исследования подтвердили потенциал методов машинного обучения на основе Sentinel-2 для оценки возраста лесов на севере Архангельской области (Смолина и др., 2023).

Ряд российских работ отметил информативность комплексного использования индексов NDVI, NBR и SWVI при анализе последствий природных нарушений, лесных пожаров и вспышек вредителей (Тарасова, 2023; Копытков и др., 2023; Жарко и др., 2020). Однако большинство исследований ограничены применением одного индекса, выбранного сезона или отдельного сенсора.

До настоящего времени отсутствует единая методология, интегрирующая «пакет спектральных индексов», адаптированных к специфическим условиям Арктики — значительному снежному покрову и низким углам освещённости, а также системное сочетание оптических данных с независимыми структурными источниками (радар, лидар) для верификации. Опыт исследований в северных регионах России, включая Архангельскую область, подтверждает высокую чувствительность спектральных индексов к последствиям пожаров и динамике восстановления (Корепин, 2025) и эффективность Sentinel-2 для определения возраста насаждений (Смолина и др., 2023).

Тем не менее исследования остаются локальными и временно ограниченными, что подчёркивает необходимость развития многоиндексных и многосенсорных подходов для получения более полного и точного пространственно-временного представления о состоянии арктических лесов.

Цели и задачи исследования. Цель исследования — разработка и апробация интегрированного подхода, основанного на использовании спектральных вегетационных индексов и методов машинного обучения для комплексной оценки состояния и динамики арктических лесов Архангельской области

Для достижения поставленной цели в диссертационной работе решались следующие задачи:

- изучить текущее состояние арктических лесов на территории Архангельской области;

- осуществить мониторинг изменений арктических лесов на основе спутниковых снимков за период с 2014 по 2024 годы;

- выполнить анализ изменений лесного покрова с применением алгоритмов машинного обучения;

- смоделировать долгосрочные тенденции трансформации лесных экосистем с использованием модели CA-Markov;

- оценить экологические характеристики арктических лесов Архангельской области с использованием программного SNAP и данных спутников Sentinel-2;

- провести оценку биомассы и запасов углерода в арктических лесах Архангельской области.

Научная новизна исследований. Научная новизна исследований состоит в разработке и апробации интегрированного подхода к оценке состояния арктических лесов Архангельской области, основанного на комбинировании спектральных вегетационных индексов, данных дистанционного зондирования и методов машинного обучения.

В рамках исследования выполнено прогнозирование динамики лесного покрова до 2033 года с использованием модели СА-Магко^ что позволило выявить закономерности деградации и восстановления арктических экосистем и сформировать научную основу для их устойчивого управления.

Теоретическая и практическая значимость исследования. Теоретическая значимость работы заключается в развитии научных основ комплексной оценки состояния арктических лесов с использованием данных дистанционного зондирования, спектральных индексов и методов машинного обучения. Полученные результаты уточняют представления о закономерностях формирования и пространственно-временной динамике лесных экосистем Арктики, что способствует совершенствованию методологии экологического мониторинга.

Практическая значимость исследования состоит в возможности применения разработанного подхода для повышения точности и объективности оценки состояния лесов Архангельской области, выявления деградированных территорий и планирования устойчивого лесопользования. Полученные результаты могут быть использованы при разработке природоохранных программ, систем раннего предупреждения о лесных пожарах и инициативах по сокращению углеродных выбросов, что способствует сохранению биологического разнообразия и экологической стабильности арктических регионов.

Методы и методология исследования. Методологической основой исследования является системный подход к анализу комплексного влияния природных и антропогенных факторов на состояние лесных экосистем. Для обеспечения обоснованности и достоверности результатов использовались критериальные методы оценки, статистический анализ и инструменты геоинформационного моделирования.

Основные положения диссертации, выносимые на защиту: - оценка состояния арктических лесов Архангельской области и выделение зон деградации с использованием спектрального индекса NDVI;

- пространственно-временные изменения лесного покрова арктических лесов Архангельской области за период 2014-2024 гг. на основе спутниковых данных;

- применение алгоритмов машинного обучения (RF и SVM) и модели CA-Markov для изучения динамики и прогнозирования изменений лесного покрова на длительный период;

- оценка экологических показателей, биомассы и запасов углерода по данным Sentinel-2 с использованием программного комплекса SNAP;

- биомасса и запас углерода в арктических лесах Архангельской области.

Личный вклад автора. Автор лично участвовал в реализации программы мониторинга и оценки лесов арктического региона, самостоятельно выполнил обработку и анализ спутниковых данных, исследовал динамику лесного покрова, включая ретроспективную оценку и прогнозирование его изменений с применением современных моделей и методов машинного обучения. Проведён сравнительный анализ с результатами полевых наблюдений, выполнена интерпретация данных, их научное обобщение и формулировка выводов. Все этапы исследования от постановки задач до подготовки выводов выполнены автором самостоятельно.

Обоснованность и достоверность полученных результатов. Достоверность результатов исследования и обоснованность научных положений обеспечивается использованием апробированных спектральных индексов, прошедших проверку на других объектах, критериальных подходов к верификации данных дистанционного зондирования Земли и статистических методов оценки. Для подтверждения результатов применены надежные полевые данные, полученные на стационарных пробных площадях, заложенных по общепринятым методикам, а также материалы государственной инвентаризации лесов.

Апробация результатов. Основные результаты диссертационного исследования были представлены в 2021-2025 годах на ряде международных и российских научных конференций, в том числе:

Ломоносовские научные чтения студентов, аспирантов и молодых учёных Высшей школы естественных наук и технологий САФУ (Архангельск, 2022, 2024); международная научно-техническая конференция «Актуальные проблемы развития лесного комплекса» (Вологда, 2021, 2022, 2023); научно-практическая конференция «Актуальные вопросы

таёжного и притундрового лесоводства на Европейском Севере России» (Архангельск, 2023); международная конференция «Инженеры России и Беларуси: сила в сотрудничестве» (Архангельск, 2024); конференции «Оптимизация лесопользования» (Екатеринбург, 2023) и FORECOS- 2025, Лесные экосистемы в условиях изменения климата; Международная научно-практическая конференция, посвящённая 110-летию кафедры лесоводства, лесной таксации и лесоустройства и 95-летию ВГЛТУ «лесные экосистемы в условиях меняющегося климата: проблемы и перспективы» (Воронеж, 2025).

Публикации. По результатам диссертационного исследования опубликовано 15 научных работ, в том числе 2 статьи в рецензируемых журналах списка ВАК.

Структура и объём диссертации. Диссертационная работа состоит из введения, 5 глав, выводов и рекомендаций, Термины дистанционного зондирования Земли, и списка литературных источников. Общий объём работы составляет 134 страницы, включает 42 рисунка, 22 таблицы. Количество источников — 161, в том числе 88 иностранных.

Благодарности. Автор выражает искреннюю благодарность коллективу кафедры лесоводства и лесоустройства САФУ, на которой выполнялась работа над диссертацией, и лично заведующему кафедрой, доктору сельскохозяйственных наук С.В. Коптеву за научное руководство, всестороннюю поддержку, мотивацию и наставления, Архангельскому филиалу ФГБУ Рослесинфорг и ФБУ СевНИИЛХ за представленные материалы и возможность участия в выполнении темы государственного задания (регистрационный номер темы: 123022800118-4)., результаты работы над которой также легли в основу диссертации.

ГЛАВА 1. СОСТОЯНИЕ ПРОБЛЕМЫ ИССЛЕДОВАНИЙ

Традиционные методы мониторинга лесов имеют ряд существенных ограничений, связанных с невозможностью проведения комплексного и точного наблюдения. Эти методы в основном опираются на ограниченные полевые наблюдения и устаревшие лесоустроительные данные, что приводит к пропуску критически важных изменений, или их начальных этапов. Кроме того, наблюдение угроз — например, лесных пожаров или вспышек заболеваний — часто осуществляется на поздних стадиях, что снижает эффективность реагирования (Лабич, Конушина, 2022).

Системы лесной инвентаризации служат основным источником детальной информации о состоянии лесного покрова, необходимой для решения как научных, так и прикладных задач. Регулярное и оперативное проведение таких обследований возможно лишь при широком использовании современных технологий дистанционного зондирования и методов цифровой обработки данных. В процесс инвентаризации включаются как индивидуальные измерения деревьев и кустарников, так и обобщённые показатели для пробных площадей: породный состав, возраст и диаметр стволов, высота деревьев, запас древесины, текущий прирост, состояние древесных и кустарниковых видов, напочвенного покрова, ущерб от болезней, вредителей и пожаров. Дополнительно учитываются запасы фитомассы, генетическое и видовое разнообразие, экосистемные характеристики, свойства почв и объёмы углерода (Жирин, Лукина, 2017).

Достижение высокой степени детализации количественных характеристик лесных насаждений возможно при рациональном сочетании традиционных наземных методов с данными дистанционного зондирования сверхвысокого пространственного разрешения (Князева и др., 2021).

Северные леса являются одними из ведущих мировых поставщиков древесины, недревесной лесной продукции и экосистемных услуг, включая накопление углерода и обеспечение чистой воды (Филипчук А.Н. и др., 2020; Frelich L.E., 2020; Kuuluvainen T. and Grenfell R., 2012; Schaphoff S., et al 2016). а также оказывают значительное влияние на климат на местном, региональном и глобальном уровнях (Ilintsev A., et al 2020).

т-ч и о

В то же время северные леса подвергаются воздействию климатических изменений (Schindler D.W., and Lee P.G., 2010; Shorohova E., et al 2011) и в настоящее время активно осваиваются лесозаготовительными компаниями (Моисеев Н.А., 2015).

Управление лесами в течение прошлого века оказало значительное влияние на современное экологическое состояние и функциональность экосистем арктических лесов. На обширных территориях северных лесов акцент в течение длительного времени делался преимущественно на заготовку древесины, при этом вопросам восстановления и ухода за лесами не уделялось должного внимания (Моисеев Н.А., 2012).

Технологии дистанционного зондирования представляют собой качественный прорыв в преодолении ограничений традиционных методов управления лесами за счёт обеспечения непрерывного мониторинга лесных изменений с высокой пространственной и временной точностью (Drusch M. et al 2012; Е.Д., Мартынова, Кустышева, Раева, 2025).

Системы раннего оповещения, такие как GLAD Alerts, значительно повышают способность к оперативному обнаружению незаконной вырубки и лесных пожаров, что стало революционным шагом по сравнению с длительными сроками обнаружения, характерными для традиционных наземных методов мониторинга (Hansen M.C. et al 2016).

Более того, активные методы дистанционного зондирования, например, LiDAR, позволяют с высокой точностью оценивать биомассу и запасы углерода в наземной растительности. Это способствует построению количественных моделей, поддерживающих глобальные программы по сохранению лесов, такие как REDD+, а также оценке состояния биоразнообразия в лесных экосистемах (Dubayah R. et al 2020).

Таким образом, технологии дистанционного зондирования формируют целостную систему для повышения эффективности управления лесами и принятия решений на основе актуальных и надёжных научных данных (Пристанскова и др., 2021; Ховратович, 2021).

Россия играет важнейшую роль в сохранении мирового лесного биоразнообразия и обеспечении экосистемных функций. На её долю приходится свыше 20% глобальных лесных ресурсов, включая более половины всех бореальных лесов планеты. Земли лесного фонда занимают более двух третей территории страны, а показатель лесистости (45,4%) относится к числу наиболее высоких в мире (Лукина, Гераськина, Горнов и др., 2020).

Анализ данных спутникового наблюдения и результатов стационарного мониторинга свидетельствует о заметном снижении площади лесов на территории России с начала XXI века. Это сокращение связано с совокупным воздействием как природных,

так и антропогенных факторов, включая изменение климата, лесные пожары, промышленное загрязнение, массовые вспышки вредителей, грибковые и бактериальные заболевания, а также неустойчивое лесопользование и неэффективное управление, обусловленное недостаточным уровнем информационного обеспечения, научных знаний и слабой реализацией научных достижений на практике (Лескинен П., Линднер М., Веркерк П. Й. и др., 2020).

Определение основных факторов, влияющих на динамику лесных экосистем на различных пространственных и временных масштабах, а также понимание взаимосвязей между совокупными воздействиями этих факторов, биоразнообразием, функциями и услугами экосистем и благополучием человека является необходимым условием для обеспечения устойчивого управления лесами и развития лесной биоэкономики.

На территории России преобладают хвойные леса холодных регионов и смешанные леса умеренного пояса. Эти леса простираются с севера на юг, формируя ряд растительных зон, включая: лесотундру, тайгу, смешанные леса (хвойно-лиственные), лиственные леса, лесостепь и степь (Аверина М.В. и др., 2015).

Леса России отличаются большим разнообразием по типу, функциям и местоположению относительно транспортной инфраструктуры, городов и промышленных объектов. Они играют важную роль как источник сырья, в охране окружающей среды, а также в удовлетворении социальных потребностей населения. Для эффективной организации использования лесных ресурсов в 1943 году была введена классификация лесов по трём основным группам:

■ Первая группа: леса с высоким природоохранным значением, на которые распространяются самые строгие ограничения по использованию. Объём заготовки древесины в этих лесах не превышает 70-80% от годового прироста.

■ Вторая группа: леса, расположенные в регионах с высокой плотностью населения и

« « тл _

развитой транспортной сетью. В данных лесах допускается заготовка древесины всеми методами, однако объёмы вырубки не должны превышать средний годовой прирост по данному району.

■ Третья группа: леса в лесоизбыточных регионах, имеющие высокую экономическую значимость. В этих лесах объём заготовки древесины также ограничен уровнем годового прироста, при этом обязательным является восстановление вырубленных насаждений (Луганский Н.А. и др., 2010).

В соответствие с новым Лесным Кодексом (2006) выделяют эксплуатационные, защитные и резервные группы лесов (Лесной кодекс Российской Федерации, 2006). Статья 10.

На территории России сосредоточены две трети общей площади северных (бореальных) лесов мира, а также до 80% всех запасов хвойной древесины, обладающей высокой экономической ценностью. Земли Лесного фонда охватывают все природно-растительные зоны - от арктической тундры до степей. Именно здесь расположены крупнейшие массивы первозданных лесов, не подвергшихся антропогенному воздействию, что придаёт им особую значимость в контексте сохранения биологического разнообразия (Исаев А.С., Коровин Г.Н., 2009). Леса северной части России играют решающую роль в регулировании климата. Они служат естественным барьером против холодных арктических ветров, поступающих с Северного Ледовитого океана, что способствует смягчению суровых климатических условий и улучшению погодных условий в южных регионах. Кроме того, эти леса участвуют в регулировании стока крупных северных рек и обеспечивают защиту как для животных, так и для человека от экстремальных климатических воздействий, особенно в зимний период (Луганский Н.А. и др., 2010).

Несмотря на относительную стабильность общей площади лесов в России с середины XX века, антропогенные и природные воздействия продолжают оказывать значительное влияние на структуру и качество лесов. Это приводит к замещению стабильных и ценных лесных типов менее устойчивыми и деградированными формами, что в свою очередь снижает ресурсный и экологический потенциал лесных экосистем.

Многие учёные и специалисты считают, что на сегодняшний день отсутствуют надёжные и полные данные о состоянии лесов в России в целом. Основной причиной этого называют дефицит точной информации, связанной с инвентаризацией лесов. Обновление данных о лесах Российской Федерации в целом возможно исключительно в рамках Государственной инвентаризации лесов (ГИЛ) (Малышева, Филипчук, Золина, Селезнев, 2024).

Государственная инвентаризация лесов была начата в 2007 году, однако из-за недостаточной проработанности методологических подходов, полученные в ряде регионов данные вызвали значительную критику со стороны научного сообщества (Корсиков Р.С., 2016).

Пожары и вырубка лесов являются одними из основных факторов, оказывающих влияние на состояние лесов в России. Согласно официальной статистике, на охраняемых лесных территориях ежегодно фиксируется от 12 до 36 тысяч лесных пожаров, охватывающих площадь от 0,5 до 5,2 миллиона гектаров.

Человеческая деятельность, особенно массовая вырубка лесов, оказывает

и т-ч и

значительное воздействие на лесные экосистемы. В период интенсивной заготовки древесины в 1960-1980-х годах ежегодно в России вырубалось около 2 миллионов гектаров леса. Тем не менее, сбор данных о разрушительных явлениях в лесах и оценка масштабов их последствий носят фрагментарный характер и не соответствуют современным требованиям мониторинга. В настоящее время воздушное и наземное наблюдение за пожарами проводится примерно на 75% лесных площадей страны, однако отсутствуют надлежащие инструменты и методики для комплексной оценки ущерба, нанесённого природными катастрофическими воздействиями (пожары, ветровалы), хозяйственным использованием, а также гибелью лесных насаждений в результате заболеваний и вредителей (Алшаиби, 2017).

До появления технологии Государственной инвентаризации лесов (ГИЛ), задачи учёта лесных ресурсов и планирования лесохозяйственной деятельности выполнялись посредством лесоустройства, охватывающего обширные территории. Система лесоустройства в России со временем развивалась и совершенствовалась, однако этот процесс не всегда носил поступательный характер — в его истории были как периоды прогресса, так и регресса (Мусиев А.А., 2008).

Методы аэрофотосъёмки начали применяться в системе лесоуправления в России и других странах ещё в 1930-х годах, тогда как использование данных дистанционного зондирования (спутниковых изображений) началось в 1970-х годах XX века (Филипчук А.Н. и др., 2020; Швиденко А.З., Щепащенко Д.Г., 2011).

Первые исследования лесных экосистем с использованием спутниковых данных были проведены в Красноярске в середине 1970-х годов в Институте леса и древесины Академии наук СССР. Эти исследования были сосредоточены на выявлении оптимальных условий распространения вредных насекомых с целью последующего мониторинга и принятия превентивных мер (Исаев, Ряполов, 1976). На тот момент технические возможности спутникового наблюдения ещё не были полностью изучены, однако с конца XX и начала XXI века произошло значительное расширение их применения, что открыло

возможности для мониторинга динамики лесов на глобальном уровне. В этот период учёными Российской академии наук, в частности из Центра экологии и продуктивности лесов и Института космических исследований, были разработаны уникальные методы обработки спутниковых данных. Это позволило добиться значимых научных результатов и создать прикладные системы наблюдения за лесами (Исаев, Сухих, 1991).

Благодаря развитию технологий аэрофотосъёмки, область мониторинга лесов начала стремительно развиваться. Эти технологии дали возможность специалистам оценивать состояние лесных экосистем более объективно — не только как источник ресурсов, но и как важный элемент экологической стабильности (Исаев А.С., Черненькова Т.В., 2015).

Большая часть лесных массивов Европейского Севера России сосредоточена в Архангельской области, а также в республиках Коми и Карелия. Леса Архангельской области обладают значительной экономической, экологической и климаторегулирующей ценностью (Листов А.А. и др., 1988).

Список литературы диссертационного исследования кандидат наук Алабдуллахалхасно Хасан, 2026 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Аверина М.В., Феклистов П.А., Третьяков С.В. Характеристика насаждений, сформировавшихся на землях из-под сельскохозяйственного пользования в Кенозерском национальном парке // Современные тенденции развития науки и технологий. 2015. № 63. С. 40-42.

2. Алшаиби, А. Дж. А. Анализ динамики состояния лесов с использованием данных дистанционного зондирования Земли и ГИС-технологий: магистерская диссертация. - Томск: Национальный исследовательский Томский политехнический университет, Институт кибернетики, Кафедра информационных систем и технологий, 2017. - 122 с.

3. Асмус В. В., Бучнев А. А., Пяткин В. П. Кластерный анализ и классификация с обучением многоспектральных данных дистанционного зондирования Земли // Journal of Siberian Federal University. Engineering & Technologies. — 2009. — Т. 2, № 1. — С. 2331. — URL: https://elib.sfu-kras.ru/handle/2311/1278

4. Афанасьев, А.А. Гибридные методы автоматизированной идентификации изменений ландшафтного покрова по данным дистанционного зондирования Земли в условиях шумов / А.А. Афанасьев, А.В. Замятин // Компьютерная оптика. - 2017. - Т. 41, № 3. - С. 431-440. - DOI: 10.18287/2412-6179-2017-41-3-431-440.

5. Бабий, И. А. Оценка надземной биомассы лесоврадиолокационными методами / И. А. Бабий, С. Т. Им, В. И. Харук // Сибирский экологический журнал. - 2022. - Т. 29, № 5. - С. 487-506. - DOI 10.15372/SEJ20220501. - EDN BBNRLW.

6. Барталев С.А. Разработка методов оценки состояния и динамики лесов на основе данных спутниковых наблюдений. Москва: Институт космических исследований РАН, 2007. 47 с.

7. Богданов А.П. Закономерности строения, рост и нормативы таксации лиственничных древостоев Архангельской области: автореф. дис. ... канд. с.-х. наук. Архангельск: САФУ им. М.В. Ломоносова, 2014. 151 с.

8. Бочаров А. В., Тихомиров О. А. Использование корреляционного анализа данных дистанционного зондирования для оценки влияния водоёмов на окружающую природную среду (на примере района Рыбинского водохранилища) // Известия Самарского научного центра РАН. — 2014. — № 5-5. — URL:

https://cyberleninka.ru/article/n/ispolzovanie-korrelyatsionnogo-analiza-dannyh-distantsionnogo-zondirovaniya-dlya-otsenki-vnyaniya-vodoemov-na-okruzhayuschuyu

9. Бучнев, А. А., Пяткин, В. П. Контролируемая и неконтролируемая классификация многоспектральных данных дистанционного зондирования Земли // Интерэкспо Гео-Сибирь. — 2007. — № 1. — С. 11. — URL: https://cyberleninka.ru/article/n/kontroliruemaya-i-nekontroliruemaya-klassifikatsiya-mnogospektralnyh-dannyh-distantsionnogo-zondirovaniya-zemli

10. Воробьев О. Н., Курбанов Э. А., Губаев А. В., Полевщикова Ю. А., Демишева Е. Н., Коптелов В. О. Дистанционный мониторинг городских лесов // Вестник Поволжского государственного технологического университета. Сер.: Лес. Экология. Природопользование. - 2015. - № 1- (25) С. 5-21.

11. Горохова А. В., Гришина Ю. С. Устойчивое управление природными ресурсами в России и в мире // Экономика и бизнес: теория и практика. 2017. №11.

12. Громцев А.Н. Основы ландшафтной экологии европейских таежных лесов России. Петрозаводск: Карельский научный центр РАН, Институт леса, 2008. 238 с. ISBN 978-5-9274-0372-1.

13. Дистанционные методы в лесном хозяйстве: учебное пособие / Э. А. Курбанов, О. Н. Воробьев. - Йошкар-Ола: Поволжский государственный технологический университет, 2020. - 266 с. ISBN 978-5-8158-2149-1.

14. Доклад. Состояние и охрана окружающей среды Архангельской области за 2020 год / отв. ред. О. В. Перхурова; ГБУ Архангельской области «Центр природопользования и охраны окружающей среды». — Архангельск: САФУ, 2021. — 478 с. — ISBN 978-5-261-01551-2.

15. Дубинин М. Вегетационные индексы [Электронный ресурс]. — 2006. — URL: https://gis-lab.info/qa/vi.html#pvi (дата обращения: 19.03.2025).

16. Е.Д., Мартынова Н.Г., Кустышева И.Н., Раева И.В. Статья // Международный сельскохозяйственный журнал. - 2025. - Т. 68. - № 4 (406). - С. 420-423.

17. Ершов Д.В., Эйдлина С.П., Королева Н.В., Князева С.В., Гаврилюк Е.А. Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии: докл. VII Всерос. конф. (Москва, 22-24 апр. 2019 г.). Москва, 2019. 180 с.

18. Жирин В.М., Лукина Н.В. Развитие системы инвентаризации лесов России // Лесной вестник/Forestry Bulletin. 2017. Т. 21. № 2. С. 4-14.

19. Журавлева И.В., Загидуллина А.Т., Луговая Д.Л., Яницкая Т.О. Мониторинг состояния лесов высокой природоохранной ценности на примере малонарушенного массива междуречья Северной Двины и Пинеги. Тверь: Тверской гос. ун-т, 2011. 170 с.

20. Замолодчиков Д. Г., Грабовский В. И., Шуляк П. П. Инвентаризация бюджета углерода в лесном хозяйстве России // Труды Санкт-Петербургского научно-исследовательского института лесного хозяйства. - 2013. - № 3. - С. 12.

21. Иванова Д.А. История использования дистанционных методов и геоинформационных технологий в лесном хозяйстве: реферат. СПб.: СПбГЛТУ им. С.М. Кирова, 2015.

22. Ильинцев А. С. Влияние современных лесозаготовок на нарушение почвы, состояние живого напочвенного покрова и последующее возобновление деревьев в бореальных лесах России // Известия Русского географического общества. — 2023. — Т. 155, № 3-4. — С. 62-73.

23. Ильинцев А.С., Шамонтьев И.Г., Третьяков С.В. Современная динамика лесопользования в бореальных лесах России (на примере Архангельской области) // Лесотехнический журнал. 2021. Т. 11. № 3. С. 45-62. DOI: 10.34220/issn.2222-7962/2021.3/4.

24. Исаев А. С., Ряполов В. Я. Анализ ландшафтно-экологической приуроченности очагов сибирского шелкопряда с применением аэрокосмической съемки // Исследование таежных ландшафтов дистанционными методами. - Новосибирск: Наука, Сиб. отд-ние, 1976. - С. 152-167.

25. Исаев А. С., Сухих В. И. (ред.). Аэрокосмический мониторинг лесов. -Москва: Наука, 1991. - 240 с.

26. Исаев А.С., Коровин Г.Н. Актуальные проблемы национальной лесной политики. Москва: Институт устойчивого развития / Центр экологической политики России, 2009. 109 с.

27. Исаев А.С., Черненькова Т.В. Уникальность современного этапа дистанционного зондирования лесов России // Сибирский лесной журнал. 2015. № 5. С. 26-41. DOI: 10.15372/SJFS20150502.

28. Карпов А.А., Пирцхалава-Карпова Н.Р., Богданов А.П., Алешко Р.А., Воронин В.В. Разработка метода перевода земель лесного фонда в покрытые лесной растительностью с применением методов дистанционного зондирования // Сибирский лесной журнал. 2019. № 6. С. 19-26. DOI: 10.15372/SJFS20190603.

29. Князева С. В., Никитина А. Д., Белова Е. И., Плотникова А. С., Подольская Е. С., Ковганко К. А. Методические подходы к оценке характеристик лесов по данным спутниковой съемки сверхвысокого пространственного разрешения в оптическом диапазоне // Лесоведение. - 2021. - № 6. - С. 645-672.

30. Ковыршина Елена Игоревна Вырубка лесов вследствие незаконного перевода земель лесного фонда в земли иных категорий // Проблемы экономики и юридической практики. 2017. №1. URL: https://cyberleninka.ru/artide/n/vyrubka-lesov-vsledsMe-nezakonnogo-perevoda-zemel-lesnogo-fonda-v-zemn-inyh-kategoriy.

31. Коптев С.В., Алабдуллахалхасно Х. Применение алгоритма Random Forest для анализа динамики таежно-тундровых лесных экосистем // Изв. вузов. Лесн. журн. 2025. No 2. С. 210-218. https://doi.org/10.37482/0536-1036-2025-2-210-218

32. Корсиков Р.С. Определение характеристик лесов Брянской области на основе данных дистанционного зондирования Земли. Брянск: Брянский гос. инженер.-технол. унт, 2016. 21 с.

33. Кочев Д. В. Геоэкологическое картирование застройки на паводкоопасных территориях городов Шилки и Нерчинска Забайкальского края с использованием спектрального индекса NDBI и нейронной сети // Вестник ЗабГУ. — 2024. — № 1. — URL: https://cyberleninka.m/artide/n/geoekologicheskoe-kartirovanie-zastroyki-na-pavodkoopasnyh-territoriyah-gorodov-shilki-i-nerchinska-zabaykalskogo-kraya-s.

34. Купцова О. В., Лобищева И. И., Верхотуров А. А., Мелкий В. А. Дистанционное зондирование Земли: методы классификации изображений и анализ их качества // Вестник СГУГиТ. География. — 2021. — Т. 26, № 5. — С. 75-85. — DOI: 10.33764/2411-1759-2021-26-5-75-85.

35. Курбанов Э. А., Воробьев О. Н., Губаев А. В. Лежнин С. А., Полевщикова Ю. А., Демишева Е. Н. Четыре десятилетия исследований лесов по снимкам Landsat // Вестник Поволжского государственного технологического университета. Сер.: Лес. Экология. Природопользование. - 2014. - № 1(21). - С. 18-32.

36. Лабич, И. В. Анализ современных методов мониторинга лесных пожаров / Успехи молодежной науки в агропромышленном комплексе : Сборник трудов LVII Студенческой научно-практической конференции, Тюмень, 30 ноября 2022 года. С. 134145. - EDN ZVMVJJ.

37. Лескинен П., Линднер М., Веркерк П. Й., Набуурс Г. Я., Ван Брусселен Й., Куликова Е., Хассегава М., Леринк Б. (ред.). Леса России и изменение климата: Что нам может сказать наука. № 11. Хельсинки: Европейский институт леса, 2020. 128 с. ISBN 978952-7426-03-6 (печатн.), ISBN 978-952-7426-04-3 (PDF). DOI: 10.36333/wsctu11.

38. Лесной кодекс Российской Федерации: Федер. закон от 04.12.2006 № 200-ФЗ (ред. от 27.12.2018) // Собрание законодательства РФ. - 2006. - № 50. - Ст. 5278.

39. Лесные регионы: Архангельская область // Лесной комплекс России. — 2023. — URL: https://forestcomplex.ru/forestry/lesnyie-regionyi-arhangelskaya-oblast

40. Лесохозяйственный регламент лесничества «Кенозерский национальный парк» на период 2008-2017 гг. Архангельск, 2008.

41. Липка О. Н., Корзухина М. Д., Замолодчиков Д. Г., Добролюбова Н. Ю., Крыленко С. В., Богданович А. Ю., Семенов С. М. Роль лесов в адаптации природных систем к изменениям климата // Лесоведение. - 2021. - № 5. - С. 531-546.

42. Листов А.А., Серый В.С., Паршевников А.Л., Чибисов Г.А., Чупров Н.П. (ред.). Леса и лесное хозяйство Архангельской области. Архангельск: Архангельский институт леса и лесохимии, 1988. 132 с.

43. Лотов К.И. Основные Направления, Актуальность И Перспективы Развития Систем Дистанционного Зондирования // Вестник Науки №1 (82) Том 3. С. 1080 - 1091. 2025 Г. Issn 2712-8849 // Электронный Ресурс: Https://Www.Вестник-Науки.Рф/Article/20934

44. Луганский Н.А., Залесов С.В., Луганский В.Н. Урал. гос. лесотехн. ун-т. Екатеринбург, 2010. 432 с. ISBN 978-5-94984-288-1.

45. Лукина Н.В., Гераськина А.П., Горнов А.В., Шевченко Н.Е., Куприн А.В., Чернов Т.И., Чумаченко С.И., Шанин В.Н., Кузнецова А.И., Тебенькова Д.Н., Горнова М.В. Биоразнообразие и климаторегулирующие функции лесов: актуальные вопросы и перспективы исследований // Вопросы лесной науки. 2020. Т. 3. № 4. С. 1-90. DOI: 10.31509/2658-607x-2020-3-4-1-90.

46. Макаров Е.О. Обзор существующих вегетационных индексов при выполнении анализа земной поверхности // Современные научные исследования и инновации. 2023. № 6 [Электронный ресурс]. URL: http s://web. snauka.ru/issue s/2023/06/100430

47. Малышева Н.В., Филипчук А.Н., Золина Т.А., Селезнев А.А. Анализ погрешностей оценки основных таксационных показателей по данным государственной инвентаризации лесов первого цикла //Лесохозяйственная информация = Forestry Information. - 2024. - Т. 3. - № 3. - С. 57-74. DOI: 10.24419/LHI.2304-3083.2024.3.04- EDN: NHHMCW.

48. Мамедов С. Инвентаризация лесов // Бюллетень Счетной палаты Российской Федерации. - 2024. - № 12. - С. 97.

49. Михайлов, И. Р., Абрамов, Н. А., & Долматов, С. Н. (2023). Методы дистанционного зондирования земли в лесной промышленности. Современные инновации, системы и технологии - Modern Innovations, Systems and Technologies, 3(3), 0301-0310. https://doi.org/10.47813/2782-2818-2023-3-3-0301-0310.

50. Моисеев Н.А. Двухсотлетний фрагмент истории беломорской тайги // Вестн. высш. учеб. заведений. Лесной журнал. 2015. № 4. С. 180-185.

51. Моисеев Н.А. Леса и лесной сектор Архангельской области: историческая роль и место в национальной лесной политике России // Вестн. высш. учеб. заведений. Лесной журнал. 2012. № 4. С. 7-15.

52. Мониторинг лесохозяйственной деятельности: учеб.-метод. документация. Институт наук о Земле. Тюмень: ТюмГУ, 2016. 138 с.

53. Мусиев А.А. Советская модель лесоустройства: анализ и перспективы. Санкт-Петербург: Лесной вестник, 2008.

54. Назимова Д. И., Пономарев Е. И., Коновалова М. Е. Роль высотно-поясной основы и дистанционных данных в задачах устойчивого управления горными лесами // Лесоведение. 2020. № 1. С. 3-16.

55. Никитина Н. А. Обзор современных методов исследования лесного покрова по данным дистанционного зондирования // Интерэкспо Гео-Сибирь. — 2018. — № 4. — URL: https://cyberleninka.ru/article/n/obzor-sovremennyh-metodov-issledovaniya-lesnogo-pokrova-po-dannym-distantsionnogo-zondirovaniya

56. Ньян Л. Т., Алгоритмы классификации данных дистанционного зондирования Земли для интерпретации спутниковых и аэрофотоснимков: диссертация на соискание ученой степени кандидата технических наук: 2.3.1 - Системный анализ, управление и обработка информации, статистика. — Москва: МГТУ им. Н. Э. Баумана, 2022. — 130 с.

57. Петухов И.Н. Роль массовых ветровалов в формировании лесного покрова в подзоне южной тайги (Костромская область): дис. ... канд. биол. наук. Кострома, 2016. 150 с.

58. Плотников Д. Е., Чжоу Ц., Колбудаев П. А., Лупян Е. А., Матвеев А. М., Зимин М. В., Жуков Б. С., Кондратьева Т. В., Лебедев С. В. Разработка и оценка индекса листовой поверхности LAI растительного покрова России на основе разноугловых наблюдений КМСС (Метеор-М) и нейросетевой инверсии модели PROSAIL // Компьютерная оптика.. — 2025. — Т. 49, № 3. — DOI: 10.18287/2412-6179-C0-1621

59. Пристанскова А.А., Арбузов С.А., Дубовик Д.С., Тараканов В.В. Использование данных беспилотной аэрофотосъемки в мониторинге географических культур сосны обыкновенн ой // Интерэкспо Гео-Сибирь. 2021. Т. 4.№ 2. С. 146-154.

60. Саид А.М. Мониторинг растительного покрова Сирийской Арабской Республики методами дистанционного зондирования и ГИС-технологий: автореф. дис. ... канд. с.-х. наук. Йошкар-Ола, 2020. 125 с. https://science.volgatech.net/thesis-boards/defence-of-theses/d-212-115-03/404970/.

61. Соловьева Е. А., Гренко М. О., Архипов А. С., Куренкова М. М., Киреев Д. А. Экологические последствия изменения климата для лесных экосистем России // Актуальные исследования. 2025. №23 (258). Ч.1 С. 84-85. URL: https://apni.ru/article/12271-ekologicheskie-posledstviya-izmeneniya-klimata-dlya-lesnyh-ekosistem-rossii.

62. Суровежко Ю. В. Леса и лесной сектор Архангельской области: их историческая роль и место в национальной лесной политике России // Международный научный журнал «Вестник науки». - 2024. - Т. 3, № 6 (75). - С. 18.

63. Терехин Э.А. Повышение эффективности мониторинга земель лесного фонда Белгородской области методами дистанционного зондирования: дис. ... канд. геогр. наук. Белгород: Белгородский гос. нац. исслед. ун-т, 2011. 148 с.

64. Тоскунина В.Э. Проблемы лесного комплекса Архангельской области и пути их решения // Экономические и социальные перемены: факты, тенденции, прогноз. 2008. Т. 3. № 3. С. 29-31.

65. Фёдоров Борис Георгиевич, Моисеев Борис Николаевич, Синяк Юрий Владимирович Поглощающая способность лесов России и выбросы углекислого газа энергетическими объектами // Проблемы прогнозирования. 2011. №3.

66. Филипчук А.Н., Малышева Н.В., Золина Т.А., Югов А.Н. Бореальные леса России: возможности для смягчения изменения климата // Лесохозяйственная информация: электронный сетевой журнал. 2020. № 1. С. 92-113. DOI: 10.24419/LHI.2304-3083.2020.1.10.

67. Хабаров Денис Андреевич, Адиев Тамерлан Салманович, Попова Ольга Олеговна, Чугунов Владимир Алексеевич, Кожевников Владислав Алексеевич Анализ современных технологий дистанционного зондирования Земли // Московский экономический журнал. 2019. №1. URL: https://cyberleninka.ru/article/n/analiz-sovremennyh-tehnologiy-distantsionnogo-zondirovaniya-zemli.

68. Хамедов Владимир Александрович, Мазуров Борис Тимофеевич Разработка методических вопросов создания системы спутникового мониторинга состояния лесных экосистем в условиях воздействия нефтегазового комплекса территории Западной Сибири // Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий). 2015. №3 (31). URL: https://cyberleninka.ru/article/n/razrabotka-metodicheskih-voprosov-sozdaniya-sistemy-sputnikovogo-monitoringa-sostoyaniya-lesnyh-ekosistem-v-usloviyah-vozdeystviya.

69. Ховратович Т.С. Методы оценки показателей горзонтальной структуры лесов по оптическим данным дистанционного зондирования Земли: дис. канд. техничнаук: 25.00.34., 2021. 121 с.

70. Чернышенко В. С., Рукосуев Д. В. Применение Спутниковых Данных И Вегетационных Индексов Для Анализа Динамики Лесных Территорий На Примере Национального Парка «Угра» // МНИЖ. 2024. №6 (144). URL: https://cyberleninka.ru/article/n/primenenie-sputnikovyh-dannyh-i-vegetatsionnyh-indeksov-dlya-analiza-dinamiki-lesnyh-territoriy-na-primere-natsionalnogo-parka-ugra.

71. Швиденко А.З., Щепащенко Д.Г. Что мы знаем о лесах России сегодня? // Лесная таксация и лесоустройство. 2011. № 1-2. С. 153-170.

72. Щепелин К.В. Применение вегетационных индексов в лесном деле: магистерская диссертация. Архангельск: САФУ им. М.В. Ломоносова, 2018. 61 с.

73. Эйдлина С.П., Королева Н.В., Князева С.В., Гаврилюк Е.А. Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии: докл. VII Всерос. конф. с междунар. участием (Москва, 22-24 апр. 2019 г.). Москва: ЦЭПЛ РАН, 2019. 180 с.

74. Abdu W.E. Introduction to Remote Sensing and its Applications. Dammam: College of Architecture and Planning, University of Dammam, 2014. 473 p.

75. Alabdallah Alhasno, H.M. Assessment of forest cover dynamics in the eastern slopes of Syrian coastal mountain range using remote sensing techniques: Master's thesis. Aleppo: University of Aleppo, Faculty of Agricultural Engineering, Department of Renewable Natural Resources and Environment, 2020, P 114.

76. Alghariani, M. S. (2016, December). Application of geospatial technologies and the Normalized Difference Vegetation Index (NDVI) to monitor vegetation cover changes in Kaam District. In Proceedings of the International Conference on Geospatial Technologies -Libya Geotech 2, P 12.

77. Asner G.P., Broadbent E.N., Oliveira P.J.C., Keller M., Knapp D.E., Silva J.N. multi-temporal assessment of selective logging in the Brazilian Amazon using Landsat data // Remote Sensing of Environment. 2010. Vol. 114. No. 7. P. 1478-1490. DOI: 10.1016/j.rse.2010.02.011.

78. Asrat Z., Tesfaye Y. Forest inventory and management manual: In the context of SFM and REDD+. Wondo Genet College of Forestry and Natural Resources, Hawassa University, Ethiopia, 2013.

79. Ayanlade A. Remote sensing vegetation dynamics analytical methods: a review of vegetation indices techniques // Geoinformatica Polonica. 2017. DOI: 10.4467/21995923GP.17.001.7188.

80. Banskota A., Kayastha N., Falkowski M.J., Wulder M.A., Froese R.E., White J.C. Forest monitoring using Landsat time series data: a review // Canadian Journal of Remote Sensing. 2014. Vol. 40. No. 5. P. 362-384. DOI: 10.1080/07038992.2014.987376.

81. Barakat A., Khellouk R., El Jazouli A., Touhami F., Nadem S. Monitoring of forest cover dynamics in eastern area of Béni-Mellal Province using ASTER and Sentinel-2A

multispectral data // Geology, Ecology, and Landscapes. 2018. Vol. 2. No. 3. P. 203-215. DOI: 10.1080/24749508.2018.1452478.

82. Burges C. J. C. A tutorial on support vector machines for pattern recognition // Data Mining and Knowledge Discovery. - 1998. - Vol. 2, No. 2. - P. 121-167.

83. Campbell J.B., Wynne R.H. Introduction to Remote Sensing. 5th ed. New York: The Guilford Press, 2011. ISBN 978-1-60918-176-5.

84. £inar T., Uslu A., Aydin A. Monitoring the rehabilitation process of the windthrow area using UAS images and performance comparison of Sentinel-2A based different vegetation indexes // Earth Science Informatics. 2025. Vol. 18. P. 199. DOI: 10.1007/s12145-025-01701-7.

85. Cocke A.E., Fule P.Z., Crouse J.E. Comparison of burn severity assessments using Differenced Normalized Burn Ratio and ground data // International Journal of Wildland Fire. 2005. V. 14. № 2. P. 189-198.

86. Cortes C., Vapnik V. Support-vector networks //Machine Learning. - 1995. - Vol. 20, No. 3. - P. 273-297.

87. Curtis P.G., Slay C.M., Harris N.L., Tyukavina A., Hansen M.C. Classifying drivers of global forest loss // Science. 2018. Vol. 362. No. 6407. P. 1108-1111. DOI: 10.1126/science. aau3445.

88. Das P., Rahimzadeh-Bajgiran P., Livingston W., McIntire C.D., Bergdahl A. Modeling Forest canopy structure and developing a stand health index using satellite remote sensing // Ecological Informatics. 2024. Vol. 84. Art. 102864. DOI: 10.1016/j.ecoinf.2024.102864.

89. Dioub F.M. The contribution of remote sensing and geographic information systems to the planning and management of forests: Case study of Nabi Matti Reserve - Tartous: PhD dissertation. Tishreen University, Faculty of Agriculture, Department of Forestry and Environment, 2014.

90. Drusch M., Del Bello U., Carlier S., Colin O., Fernandez V., Gascon F., et al. Sentinel-2: ESA's optical high-resolution mission for GMES operational services // Remote Sensing of Environment. 2012. Vol. 120. P. 25-36. DOI: 10.1016/j.rse.2011.11.026.

91. Dubayah R., Armston J., Blair J.B., Breidenbach J., Clark D.B., Duncanson L., et al. The Global Ecosystem Dynamics Investigation: High-resolution laser ranging of the Earth's forests and topography // Science of Remote Sensing. 2020. Vol. 1. Art. 100002. DOI: 10.1016/j.srs.2020.100002.

92. El Hage M., Le Toan T., et al. Potential of the upcoming Biomass P-band radar mission for forest biomass estimation // ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences. — 2024. — Vol. X-3. — P. 125-130. — DOI: 10.5194/isprs-annals-X-3-2024-125-2024.

93. Emhamed R.M. Monitoring vegetation cover change using remote sensing and GIS: A case study of Qasr Bin Ghashir Municipality (Libya) // Journal of Distance Learning and Open Education. 2016. Vol. 4. No. 6. P. 521-526.

94. European Space Agency. Copernicus Sentinel satellites. URL: https://www.esa.int/Applications/Observing_the_Earth/Copernicus.

95. FAO. Global Forest Resources Assessment 2020 - Main report. Rome: Food and Agriculture Organization of the United Nations, 2020. 184 p. DOI: 10.4060/ca9825en.

96. Fassnacht F.E., White J.C., Wulder M.A., Nässet E. Remote sensing in forestry: current challenges, considerations and directions // Forestry: An International Journal of Forest Research. 2024. Vol. 97. No. 1. P. 11-37. DOI: 10.1093/forestry/cpad024.

97. Feizizadeh, B.; Darabi, S Blaschke, T.; Lakes, T. QADI as a New Method and Alternative to Kappa for Accuracy Assessment of Remote Sensing-Based Image Classification. Sensors 2022, 22, 4506. https://doi.org/10.3390/s22124506.

98. Forkel M., Carvalhais N., Rödenbeck C., Keeling R., Heimann M., Thurner M., Reichstein M. Enhanced seasonal CO2 exchange caused by amplified plant productivity in northern ecosystems // Science. 2016. Vol. 351. No. 6274. P. 696-699. DOI: 10.1126/science.aac4971.

99. Francini S., McRoberts R.E., Giannetti F., Mencucci M., Marchetti M., Scarascia Mugnozza G., Chirici G. Near-real time forest change detection using PlanetScope imagery // European Journal of Remote Sensing. 2020. DOI: 10.1080/22797254.2020.1806734.

100. Franklin S.E. Remote Sensing for Sustainable Forest Management. Boca Raton: CRC Press, 2001. 433 p. DOI: 10.1201/9781420032857. ISBN 978-1-4200-3285-7.

101. Frelich L.E. Boreal and Taiga Biome // Encyclopedia of the World's Biomes. Eds. M.I. Goldstein, D.A. DellaSala. Elsevier, 2020. P. 103-115. DOI: 10.1016/b978-0-12-409548-9.11926-8.

102. Gandhi M., Parthiban S., Thummalu N., Christy A. NDVI: vegetation change detection using remote sensing and GIS - case study of Vellore District // Procedia Computer Science. 2015. Vol. 57. P. 1199-1210. DOI: 10.1016/j.procs.2015.07.415.

103. Goetz S.J., Baccini A., Laporte N.T., Johns T., Walker W., Kellndorfer J., et al. Mapping and monitoring carbon stocks with satellite observations: a comparison of methods // Carbon Balance and Management. 2009. Vol. 4. No. 1. DOI: 10.1186/1750-0680-4-2.

104. Gong, Z., Ge, W., Guo, J., & Liu, J. (2024). Satellite remote sensing of vegetation phenology: Progress, challenges, and opportunities. ISPRS Journal of Photogrammetry and Remote Sensing, 217, 149-164. https://doi.org/10.1016/usprsiprs.2024.08.0n

105. Gonzalez P., Asner G.P., Battles J.J., Lefsky M.A., Waring K.M., Palace M. Forest carbon densities and uncertainties from Lidar, Quickbird, and field measurements in California // Remote Sensing of Environment. 2010. Vol. 114. No. 7. P. 1561-1575. DOI: 10.1016/j.rse.2010.02.011.

106. Gu H., Dai L., Wu G., Xu D., Wang S., Wang H. Estimation of forest volumes by integrating Landsat TM imagery and forest inventory data // Science in China Series E: Technological Sciences. 2006. Vol. 49. Suppl. I. P. 54-62. DOI: 10.1007/s11431-006-8107-z.

107. Hansen M.C., Potapov P.V., Moore R., Hancher M., Turubanova S.A., Tyukavina A., et al. Humid tropical forest disturbance alerts using Landsat data // Environmental Research Letters. 2016. Vol. 11. No. 3. Art. 034008. DOI: 10.1088/1748-9326/11/3/034008.

108. Hansen M.C., Potapov P.V., Moore R., Hancher M., Turubanova S.A., Tyukavina A., et al. High-resolution global maps of 21st-century forest cover change // Science. 2013. Vol. 342. No. 6160. P. 850-853. DOI: 10.1126/science.1244693.

109. Hardisky M.A., Klemas V., Smart R.M. The influence of soil salinity, growth form, leaf moisture on the spectral radiance of Spartina alterniflora canopies // Photogrammetric Engineering and Remote Sensing. 1983. V. 49. P. 77-83.

110. Hassan E. T. Using NDVI, NDBI and NDWI indexes for change detection in land cover for selected area from the Province of Najaf for the period 2001-2006 by using remote sensing data // Journal of Kufa - Physics. — 2014. — Vol. 6, No. 2. — P. 21-35.

111. Huo L.-Z., Boschetti L., Sparks A.M. Object-based classification of forest disturbance types in the conterminous United States // Remote Sensing. 2019. V. 11. № 5. Art. 477.

112. Ilintsev A., Bogdanov A., Nakvasina E., et al. The natural recovery of disturbed soil, plant cover and trees after clear-cutting in the boreal forests, Russia // Forest. 2020. Vol. 13. No. 6. P. 531-540. DOI: 10.3832/ifor3371-013.

113. Ivana Petrovska, Lazo Dimov, Accuracy assessment of unsupervised land cover classification, Scientific Journal of Civil Engineering • Volume 9 • Issue 2 • December 2020.

114. Jin X., Shi C., Yu C.Y., Yamada T., Sacks E.J. Determination of leaf water content by visible and near-infrared spectrometry and multivariate calibration in Miscanthus // Frontiers in Plant Science. 2017. Vol. 8. Art. 721. DOI: 10.3389/fpls.2017.00721.

115. Kangas A., Maltamo M. Forest Inventory Methodology and Applications. Dordrecht: Springer, 2006. DOI: 10.1007/1-4020-4381-3.

116. Karra K., Kontgis C., et al. Global land use/land cover with Sentinel-2 and deep learning // Proc. IGARSS 2021 - IEEE Int. Geoscience and Remote Sensing Symposium. IEEE, 2021.

117. Köhl M., Magnussen S., Marchetti M. Sampling methods, remote sensing and GIS multiresource forest inventory. Berlin: Springer, 2006. DOI: 10.1007/3-540-32601-4.

118. Kuemmerlen M., Moorkens E.A., Piggott J.J. Assessing remote sensing as a tool to monitor hydrological stress in Irish catchments with Freshwater Pearl Mussel populations // Science of the Total Environment. — 2022. — Vol. 806, Pt. 4. — Article 150807. — DOI: 10.1016/j.scitotenv.2021.150807.

119. Kuuluvainen T., Grenfell R. Natural disturbance emulation in boreal forest ecosystem management - theories, strategies, and a comparison with conventional even-aged management // Canadian Journal of Forest Research. 2012. Vol. 42. No. 7. P. 1185-1203. DOI: 10.1139/x2012-064.

120. Leskinen P., Lindner M., Verkerk P.J., Nabuurs G.J., Van Brusselen J., Kulikova E., Hassegawa M., Lerink B. (eds.). Russian forests and climate change. What Science Can Tell Us 11. Joensuu: European Forest Institute, 2020.

121. Lillesand T.M., Kiefer R.W., Chipman J.W. Remote Sensing and Image Interpretation. 7th ed. Hoboken: John Wiley & Sons, 2015. ISBN 978-1-118-34328-9.

122. Lu D., Mausel P., Brondízio E., Moran E. Change detection techniques // International Journal of Remote Sensing. 2004. Vol. 25. No. 12. P. 23-2401. DOI: 10.1080/0143116031000139863.

123. McCullum A., Beaudry B., Torres-Pérez J.L., Cruz S. Spectral indices for land and aquatic applications - Part 1: overview of spectral indices. NASA ARSET Training Program, 2023. URL: https://appliedsciences.nasa.gov/what-we-do/capacity-building/arset.

124. Merhej, O. A. Evaluating land use changes and danger of fires on Bayer and al-Bassit Forest (Lattakia Province) during 1977-2017 using remote sensing and GIS technologies: Doctoral dissertation. — Lattakia: Tishreen University, Faculty of Agriculture, Department of Forestry and Environment, 2020. — 108 p.

125. Meyass M.A. Fundamentals of Remote Sensing. Sana'a: University of Sana'a Press, 2013. 394 p.

126. NASA Landsat. Boreal forest growth potential in Northern Russia. NASA, 2023. URL: https://landsat.gsfc.nasa.gov

127. Nitoslawski S.A., Wong-Stevens K., Steenberg J.W.N., Witherspoon K., Nesbitt L., Konijnendijk van den Bosch C.C. The digital forest: mapping a decade of knowledge on technological applications for forest ecosystems // Earth's Future. 2021. Vol. 9. Art. e2021EF002123. DOI: 10.1029/2021EF002123.

128. Nouri J., Gharagozlou A., Arjmandi R., Faryadi S.H., Adl M. Predicting Urban Land Use Changes Using a CA-Markov Model // Arabian Journal for Science and Engineering. — 2014. — Vol. 39, No. 7. — P. 5565-5573. — DOI: 10.1007/S13369-014-1119-2.

129. Pan Y., Birdsey R.A., Fang J., Houghton R., Kauppi P.E., Kurz W.A., Hayes D. A large and persistent carbon sink in the world's forests // Science. 2011. Vol. 333. No. 6045. P. 988-993. DOI: 10.1126/science.1201609.

130. Pettorelli N., Safi K., Turner W. Satellite remote sensing, biodiversity research and conservation of the future // Philosophical Transactions of the Royal Society B: Biological Sciences. 2014. Vol. 369. No. 1643. Art. 20130190. DOI: 10.1098/rstb.2013.0190.

131. Prachyl J., Ivanova L., Bartalev S. Tree line dynamics in boreal Siberia: climate change and spatial shifts (1985-2015) // Earth System Dynamics. 2022. Vol. 13. No. 3. P. 455468. DOI: 10.5194/esd-13-455-2022.

132. Pratico S., Solano F., Di Fazio S., Modica G. Machine learning classification of Mediterranean forest habitats in Google Earth Engine based on seasonal Sentinel-2 time-series and input image composition optimization // Remote Sensing. - 2021. - Vol. 13. - 586 p. - DOI: https://doi.org/10.3390/rs13040586.

133. Pushpalatha V., Mallikarjuna P.B., Mahendra H.N., Rama Subramoniam S., Mallikarjunaswamy S. Land use and land cover classification for change detection studies using convolutional neural network // Applied Computing and Geosciences. 2025. Vol. 25. Art. 100227. DOI: 10.1016/j.acags.2025.100227.

134. Qi, J., Chehbouni, A., Huete, A. R., Kerr, Y., Sorooshian, S. A modified soil adjusted vegetation index. Remote Sensing of Environment, 1994, Vol. 48, Issue 2, pp. 119-126. DOI: 10.1016/0034-4257(94)90134-1.

135. Rahmi M.A., Parikesit P., Withaningsih S. Vegetation change analysis using NDVI in Sumedang Regency // E3S Web of Conferences. 2024. Vol. 495. Art. 02007. DOI: 10.1051/e3sconf/202449502007.

136. Reiche J., Mullissa A., Slagter B., Gou Y., Gee E., Lindquist E., et al. Forest disturbance alerts for the Congo Basin using Sentinel-1 // Environmental Research Letters. 2021. Vol. 16. No. 2. Art. 024005. DOI: 10.1088/1748-9326/abf7a4.

137. Rouse, J.W., Haas, R.H., Schell, J.A., Deering, D.W., 1974. Monitoring vegetation systems in the Great Plains with ERTS. NASA Spec. Publ 351, 309.

138. Sackdavong M. Jr., Hanazawa A. Validation of random forest algorithm to monitor land cover classification and change detection using remote sensing data in Google Earth Engine // Proc. SPIE. 2022. Vol. 12177. Art. 121772L. DOI: 10.1117/12.2626085.

139. Salman A., et al. NDVI-based analysis of green space decline and air quality in Dhaka: implications for sustainable development goals // Environmental and Earth Sciences Research Journal. 2023. Vol. 10. No. 2. P. 73-83. DOI: 10.18280/eesrj.100206.

140. Sarkis S. Remote Sensing and Aerial Photography. Aleppo: University of Aleppo Press, Faculty of Science, 2009. 292 p.

141. Schaphoff S., Reyer C.P.O., Schepaschenko D., Gerten D., Shvidenko A. Tamm review: observed and projected climate change impacts on Russia's forests and its carbon balance // Forest Ecology and Management. 2016. Vol. 361. P. 432-444. DOI: 10.1016/j.foreco.2015.11.043.

142. Schindler D.W., Lee P.G. Comprehensive conservation planning to protect biodiversity and ecosystem services in Canadian boreal regions under a warming climate // Biological Conservation. 2010. Vol. 143. P. 1571-1586. DOI: 10.1016/j.biocon.2010.04.003.

143. Secretariat of the Convention on Biological Diversity. Biodiversity and Climate Change: International Day for Biological Diversity, 22 May 2007. Montreal: Secretariat of the CBD, 2007. 36 p. URL: https://www.cbd.int/

144. Shepherd K.D., Walsh M.G. Development of reflectance spectral libraries for characterization of soil properties // Soil Science Society of America Journal. 2002. Vol. 66. No. 3. P. 988-998. DOI: 10.2136/sssaj2002.9880.

145. Shi H., Zhang L., Xu H. A review on land use/land cover change and its impact on the hydrological cycle in the Yangtze River Basin // Environmental Management. 2010. Vol. 45. No. 4. P. 610-623. DOI: 10.1007/s00267-010-9441-0.

146. Shorohova E., Kneeshaw D., Kuuluvainen T., Gauthier S. Variability and dynamics of old-growth forests in the circumboreal zone: implications for conservation, restoration and management // Silva Fennica. 2011. Vol. 45. No. 5. P. 785-806. DOI: 10.14214/sf.72.

147. Sims D.A., Gamon J.A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages // Remote Sensing of Environment. 2002. Vol. 81. P. 337-354. DOI: 10.1016/S0034-4257(02)00010-X.

148. Smets B., Jacobs T., Verger A. L. Product User Manual: Leaf Area Index (LAI), Fraction of Photosynthetically Active Radiation (FAPAR), Fraction of Vegetation Cover (FCOVER), GIO-GL Lot 1, GMES Initial Operations. — Version 1, Issue I1.60. — Brussels: Copernicus Land Monitoring Services, 2018. — 41 p. — URL: https://land.copernicus.eu/en/technical-library/product-user-manual-leaf-area-index-333 -m-version- 1/%40%40download/file

149. Soja M.J., Quegan S., d'Alessandro M.M., Banda F., Scipal K., Tebaldini S., Ulander L.M.H. Mapping above-ground biomass in tropical forests with ground-cancelled P-band SAR and limited reference data // Remote Sensing of Environment. 2021. Vol. 253. Art. 112153. DOI: 10.1016/j.rse.2020.112153.

150. Tilman D., Socolow R., Foley J.A., Hill J., Larson E., Lynd L., Williams R. Beneficial biofuels—the food, energy, and environment trilemma // Science. 2009. Vol. 325. No. 5938. P. 270-271. DOI: 10.1126/science.1177970.

151. Torres P., Rodes-Blanco M., Viana-Soto A., Nieto H., García M. The role of remote sensing for the assessment and monitoring of forest health: a systematic evidence synthesis // Forests. 2021. Vol. 12. Art. 1134. DOI: 10.3390/f12081134.

152. U.S. Geological Survey. Earthexplorer. USGS, U.S. Department of the Interior. URL: https://earthexplorer.usgs.gov/

153. Vázquez-Quintero G., Solís-Moreno R., Pompa-García M., Villarreal-Guerrero F., Pinedo-Alvarez C., Pinedo-Alvarez A. Detection and projection of forest changes by using the Markov chain model and cellular automata // Sustainability. 2016. Vol. 8. No. 3. Art. 236. DOI: 10.3390/su8030236.

154. Wang Y., Chen X. The use of random forest to identify climate and human interference on vegetation NDVI changes in Southwest China // EGU General Assembly. Vienna, Austria, 24-28 Apr. 2023. EGU23-2315. DOI: 10.5194/egusphere-egu23-2315.

155. Weiss M., Baret F. S2ToolBox Level 2 products: LAI, FAPAR, FCOVER. Institut National de la Recherche Agronomique, Version 1.1, 2016, 53 p. (Training Manual / ATBD). URL: https://step.esa.int/docs/extra/ATBD S2ToolBox V2.0.pdf

156. Welikhe P., Quansah J.E., Fall S., Elhenney WMc. Estimation of soil moisture percentage using LANDSAT-based moisture stress index // Journal of Remote Sensing & GIS. 2017. Vol. 6. Art. 200. DOI: 10.4172/2469-4134.1000200.

157. Weng Q. (ed.). Advances in Environmental Remote Sensing: Sensors, Algorithms, and Applications. Boca Raton: CRC Press, 2011. 545 p. ISBN 978-1-4200-9181-6.

158. Wu S., Cao J.-M., Zhao X.-Y. Land cover classification of high-resolution remote sensing images based on improved spectral clustering // PLoS ONE. 2025. Vol. 20. No. 2. Art. e0316830. DOI: 10.1371/journal.pone.0316830.

159. Xie Y., Sha Z., Yu M. Remote sensing imagery in vegetation mapping: a review // Journal of Plant Ecology. 2008. Vol. 1. No. 1. P. 9-23. DOI: 10.1093/jpe/rtm005.

160. Zha Y., Gao J., Ni S. Use of normalized difference built-up index in automatically mapping urban areas from TM imagery // International Journal of Remote Sensing. — 2003. — Vol. 24, No. 3. — P. 583-594. — DOI: https://doi.org/10.1080/01431160304987.

161. Zhou Y. Research on forest resource change detection based on decision tree algorithm // Proc. 2022 Int. Conf. on Artificial Intelligence and Autonomous Robot Systems (AIARS). IEEE, 2022. P. 363-367. DOI: 10.1109/AIARS57204.2022.00088.