Разработка комплексной методики определения типов водно-болотных угодий по многоспектральным разновременным космическим снимкам тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Куен Динь Туен

• Куен Динь Туен
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Куен Динь Туен

ВВЕДЕНИЕ

РАЗДЕЛ 1. ОПЫТ ИСПОЛЬЗОВАНИЯ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ В ЗАДАЧАХ ВЫЯВЛЕНИЯ ИЗМЕНЕНИЙ СОСТОЯНИЯ БОЛОТНО-БОЛОТНЫХ УГОДИЙ

1.1 Определения понятия и классификация водно-болотных систем

1.2 Методы автоматизированной обработки материалов космической съемки для определения водно-болотных угодий

1.3 Обзор современных методов и практического опыта применения спутниковых

съёмок для картографирования и классификации водно-болотных угодий

Выводы по 1-му разделу

РАЗДЕЛ 2. РАЗРАБОТКА МЕТОДИКИ ОПРЕДЕНИЯ ИЗМЕНЕНИЙ ВОДНО-БОЛОТНЫХ УГОДИЙ С ИСПОЛЬЗОВАНИЕМ МНОГОЗОНАЛЬНЫХ РАЗНОВРЕМЕННЫХ КОСМИЧЕСКИХ СНИМКОВ

2.1 Общий метод классификации типов водно-болотных угодий

2.2 Фундаментальные понятия сверточных нейросетей и их практическое применение в области сегментации визуальных данных

2.3 Подход к классификации водно-болотных экосистем с применением методов глубокого обучения

2.4 Использование разработанной модели глубокого обучения для классификации типов водно-болотных территорий

2.5 Метод трансферного обучения

Выводы по 2-му разделу

РАЗДЕЛ 3. ПРОВЕДЕНИЕ ЭКСПЕРИМЕНТАЛЬНОГО ИССЛЕДОВАНИЯ ПО КОЛИЧЕСТВЕННОЙ ОЦЕНКЕ ИЗМЕНЕНИЯ ВОДНО-БОЛОТНЫХ УГОДИЙ

3.1 Изменение водно-болотных угодий в биосферном резервате Канзё за периодов

3.2 Повышение точности распознавания типов водно-болотных угодий с использованием методов глубокого обучения в Национальном парке Муй Камау

3.3 Детектирование мангровых зарослей в провинции Бенче (Вьетнам) и в дельте

Меконга

3.4 Картографирование приливно-отливных отмелей вдоль побережья Вьетнама

3.5 Повышение точности классификации водно-болотных угодий с применением

трансферного обучения: пример дельты Красной реки, Вьетнам

3.5 Прогнозирование преобразования прибрежных водно-болотных угодий под

воздействием повышения уровня моря

Выводы по 3-му разделу

ЗАКЛЮЧЕНИЕ

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ

Введение диссертации (часть автореферата) на тему «Разработка комплексной методики определения типов водно-болотных угодий по многоспектральным разновременным космическим снимкам»

ВВЕДЕНИЕ

Актуальность исследования. Водно-болотные угодья - это территории, на которых вода играет ключевую роль в формировании экологических условий и оказывает значительное влияние на флору и фауну этих экосистем [1]. Они охватывают приблизительно 6% земной поверхности и выполняют важные функции в глобальной экономике: снабжают людей пресной водой, биоресурсами, сельскохозяйственной продукцией, а также способствуют сохранению стабильности лесных биоценозов и способствуя рациональному природопользованию [2, 3]. На локальном уровне водно-болотные угодья выполняют множество жизненно важных функций, таких как фильтрация загрязняющих веществ, накопление наносов, защита от наводнений, сохранение биоразнообразия, а также предоставление ресурсов для отдыха и эстетического наслаждения [4]. Кроме того, эти экосистемы играют важную роль в повышении устойчивости сообществ и окружающей среды к экстремальным погодным явлениям, обеспечивая водные ресурсы, продовольственную безопасность и защиту от наводнений и засух [5]. Несмотря на эти преимущества, водно-болотные угодья продолжают подвергаться значительному антропогенному воздействию. С начала XX века мир утратил около 87% их площади, и этот процесс идет быстрее, чем уничтожение лесов, что делает водно-болотные угодья одной из самых уязвимых экосистем планеты [5-8]. Основными причинами деградации являются осушение земель для нужд сельского хозяйства, урбанизация и изменение структуры землепользования.

На фоне стремительных климатических изменений всё более сложно сохранять устойчивость экосистемных функций водно-болотных угодий. Ряд научных работ подчёркивает, что данные дистанционного зондирования Земли могут служить эффективным инструментом для наблюдения и рационального управления этими природными территориями [9]. Тем не менее, традиционные методы обработки таких данных зачастую оказываются трудоёмкими и требуют немалых затрат времени и ресурсов [10].

Настоящее время, когда технологии искусственного интеллекта, в частности нейронные сети, развиваются с беспрецедентной скоростью, возрастает потребность в более продуктивных моделях анализа. Это обстоятельство актуализирует задачу разработки новых подходов к классификации типов водно-болотных угодий на основе разнообразных спутниковых изображений. Такие методы могли бы не только повысить точность, но и существенно ускорить процесс, что крайне важно для эффективного управления этими уязвимыми экосистемами.

Объектом диссертационного исследования является методика автоматизированной классификации типов водно-болотных угодий на основе разновременных космических снимков, позволяющая анализировать изменения различных типов водно-болотных угодий.

Предмет исследования - водно-болотные угодья, их оценка и прогнозирование изменений во времени и пространстве, а также космические снимки водных объектов.

Цель данной диссертационной работы заключается в разработке комплексной методики определения типов водно-болотных угодий по многоспектральным разновременным космическим снимкам.

Для реализации поставленной цели были сформулированы следующие задачи:

- изучить системы классификации водно-болотных угодий, провести обзорное исследование текущего состояния проблемы и определить основные направления научных исследований для решения задачи классификации различных типов водно-болотных угодий;

- провести анализ исходных данных и требований, необходимых для определения типов водно-болотных угодий;

- разработать методику автоматизированной классификации типов водно -болотных угодий на основе многоспектральных разновременных космических снимков;

- разработать методику прогноза преобразования типов водно-болотных угодий, обусловленных изменениями климата, с использованием модели SLAMM;

- провести экспериментальные исследования разработанных методик и проанализировать полученные результаты для оценки их эффективности.

Степень разработанности исследования. В ходе проведения диссертационной работы автор широко использовал научные разработки признанных экспертов в сферах дистанционного зондирования поверхности Земли, аэрофотосъемочных технологий, геодезических измерений, картографирования и интеллектуальных систем. Особое внимание уделено вкладу таких исследователей, как В.А. Малинников, Братков В.В, Зверев А.Т, Сирин А.А, Беленко В.В, Le Van Khoa, Dang Kinh Bac, John Jernberg, Xian Ming Guan, Man Liu, Ralph W. Tiner, Renfei Yang, John G.Lyon и т.д, внесших существенный вклад в развитие соответствующих научных направлений.

Научно-методические положения исследования. В исследовании применены различные методы, включая анализ данных с помощью ГИС, цифровую обработку космических изображений, системный и структурный анализ, а также методы классификации изображений и математическую статистику. В целях прогноза изменений, вызванных внешними воздействиями - включая климатические колебания и повышение уровня моря - используются сценарные модели SLAMM, позволяющие оценить потенциальную трансформацию экосистем в долгосрочной перспективе. Процесс сбора обучающих образцов был выполнен в программном обеспечении eCognition, после чего данные были обработаны и подготовлены в ArcGIS Pro. Обучение модели проводилось в среде Jupyter Notebook с использованием библиотек Python в сочетании с библиотекой arcgis.learn. Статистический анализ после классификации осуществлялся в ArcGIS Pro. Для прогноза изменений прибрежных водно-болотных угодий под воздействием изменений климата в исследуемом районе была применена модель SLAMM 6.7 в открытом программном обеспечении SLAMM.

Научная новизна работы заключается в следующих аспектах:

- предложена методика объединения космических изображений и полевых данных для точного определения типов водно-болотных угодий. Такой вид сегментации создаёт качественный обучающий набор данных, позволяя быстро и эффективно формировать эти данные, повышая возможности обучения глубоких нейронных сетей;

- разработана усовершенствованная комплексная методика автоматизированного определения типов водно-болотных угодий по космическим снимкам, которая для повышения эффективности использует модели глубокого и трансферного обучения, что позволяет повысить качество определений до 90 %;

- разработана методика прогнозирования преобразований типов водно-болотных угодий в условиях изменения климата и повышения уровня моря с применением модели SLAMM, что позволяет строить сценарии, оценивать возможные последствия этих изменений и разрабатывать меры по адаптации.

Теоретическая значимость диссертационного исследования заключается в том, что проведённое исследование вносит весомый вклад в развитие научных основ классификации водно-болотных угодий, расширяя существующие представления и предлагая новые концептуальные подходы к обработке спутниковых данных. В рамках исследования разработаны алгоритмы автоматического выделения и классификации водно-болотных экосистем на основе многоспектральных изображений, полученных в разные временные интервалы. Используются как классические методы машинного обучения, так и современные технологии глубокого обучения, включая архитектуры сверточных нейронных сетей и принципы трансферного обучения. Применение этих методов позволило обогатить теоретико-методологическую базу дистанционного зондирования природных территорий, особенно в контексте динамического анализа и прогноза трансформаций водно-болотных ландшафтов.

Практическая значимость исследования заключается в том, что разработанные методики обработки разновременных спутниковых снимков и модели глубокого обучения позволя ют автоматически и точно классифицировать водно-

болотные угодья, включая приливно-отливные отмели, мангровые заросли и другие типы водно-болотных угодий. Использование трансферного обучения с дополнительными данными повышает эффективность моделей в новых регионах. Одновременно полученные карта-схемы водно-болотных угодий служат основой для управления и планирования сохранения этих экосистем. Модель SLAMM обеспечивает прогнозирование изменений прибрежных водно-болотных угодий под воздействием повышения уровня моря и различных сценариев изменения климата. Результаты исследования могут быть использованы для управления растительными ресурсами, картографирования и восстановления экосистем водно-болотных угодий, а также для поддержки практических решений в охране природы и планировании прибрежных территорий.

Основные положения исследования, выносимые на защиту:

- усовершенствованная комплексная методика автоматизированного определения типов водно-болотных угодий по космическим снимкам. Методика включает специализированный подход к формированию обучающей выборки на основе интеграции спутниковых изображений и полевых данных, а также применяет ансамбль моделей глубокого обучения и-№1 с использованием трансферного обучения для тонкой настройки модели, что позволяет повысить точность классификации до 90 % и адаптировать её к новым регионам без проведения полного;

- созданные картосхемы различных типов водно-болотных угодий на территории Вьетнама и результаты оценки их пространственно-временной динамики. Полученные с применением разработанной методики материалы впервые обеспечивают возможность проводить статистический анализ изменений этих экосистем во времени и пространстве, выявлять тенденции и количественно оценивать их динамику;

- предложенная методика прогнозирования преобразований прибрежных водно-болотных угодий под воздействием климатических изменений с использованием модели SLAMM в прибрежной зоне дельты Красной реки и построения сценариев до 2100 года.

Научная достоверность и выводы данного исследования подтверждаются использованием значительного количества карт и материалов о состоянии водно-болотных угодий из официальных источников, включая данные Министерства природных ресурсов и окружающей среды (МИНПРИРОДЫ) Вьетнама, а также Конвенции РАМСАР. Результаты обработки космических информаций оценены с использованием разнообразных методов математической статистики и подтверждены различными практическими методами. Для выполнения расчетов и анализа результатов были использованы современные программные продукты, такие как ENVI, SLAMM 6.7, eCognition и ArcGIS Pro и др.

Апробация результатов. Результаты проведенного диссертационного исследования были представлены автором в виде докладов на научно-технических конференциях:

1. «Разработка методики определения типов водно-болотных угодий в мангровом биосферном резервате Канзё города Хошимина с использованием многозональных разновременных космических снимков», 78-я Международная научно-техническая конференция студентов, аспирантов и молодых ученых МИИГАиК, МИИГАиК, 2023

2. «Разработка методики определения типов прибрежных водно-болотных угодий по космическим изображениям PlanetScope с использованием метода глубокого обучения», Ежегодная международная научная конференция «Пространственные Данные: Наука И Технологии 2023»», 2023

3. «Классификация устьевых и прибрежных водно-болотных угодий по снимкам Planet NICFI на основе сверточных нейронных сетей и трансферного обучения», 79-я Международная научно-техническая конференция студентов, аспирантов и молодых ученых МИИГАиК, МИИГАиК, 2024

4. «Картографирование приливно-отливных отмелей вдоль побережья Вьетнама с использованием методов глубокого обучения на основе изображения Sentinel-

1», Ежегодная международная научная конференция «Пространственные Данные: Наука И Технологии 2024»», 2024 5. «Прогноз изменений типов прибрежных водно-болотных угодий под воздействием повышения уровня моря с использованием модели SLAMM», 80-я Международная научно-техническая конференция студентов, аспирантов и молодых ученых МИИГАиК, МИИГАиК, 2025

Публикации. Результаты диссертационного исследования отражены в 7 публикациях, все из которых включены в перечень изданий, рекомендованных ВАК России, и индексируются в базе данных SCOPUS.

РАЗДЕЛ 1. ОПЫТ ИСПОЛЬЗОВАНИЯ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ В ЗАДАЧАХ ВЫЯВЛЕНИЯ ИЗМЕНЕНИЙ СОСТОЯНИЯ БОЛОТНО-БОЛОТНЫХ УГОДИЙ 1.1 Определения понятия и классификация водно-болотных систем 1.1.1 Определение водно-болотных угодий

Термин «wetlands» (водно-болотные угодья, ВБУ) применяется в различных контекстах и имеет множество интерпретаций, зависящих от целей использования. На сегодняшний день существует свыше 50 определений этого понятия, предложенных учёными из таких стран, как Австралия, Канада, Новая Зеландия, США и государства Африки [11-14].

Водно-болотные угодья что означает земельные участки, постоянно или временно затопленные водой [15]. Это особый тип почвы, обладающий уникальными свойствами, важными для жизни многих видов животных и растений, а также для поддержания экологической равновесия. Водно-болотные угодья включают в себя различные типы земель, такие как болота, трясины, солончаки, заболоченные леса, водные растения и т. д (рис. 1.1). Водно-болотные территории играют ключевую роль как источник пресной воды, являются местообитанием для разнообразных видов дикой природы и выполняют важные функции в регулировании водного баланса и предотвращении наводнений [16].

Основные формы водно-болотных угодий включают в себя [17]:

- приливные зоны и дельтовые области, охватывающие низменности, подверженные затоплению, районы с коралловыми рифами, а также территории, на которых встречаются болота, солончаки, песчаные и луговые побережья, включая мангровые леса;

- речные и прибрежные болотистые места, регулярно заливаемые водой, а также водоёмы, такие как озёра и пруды, характеризующиеся сезонными колебаниями уровня воды;

- влажные луга и болотистые участки, временно или периодически находящиеся под водой, наряду с песчаными прибрежными зонами;

- тропические болота и торфяники с пресноводным режимом;

- торфяные заболоченные земли, свойственные зонам с умеренным или холодным климатом.

Засолённые болотистые участки

Мангровые экосистемы прибрежной зоны

Временно затапливаемые луговые участки

Лотос и затопляемые луга

Реки и дельты Меконга Лес Мелалеука на торфяниках

Рисунок 1.1 - Некоторые типы водно-болотных угодий Следует подчеркнуть, что водно-болотные экосистемы отличаются большим разнообразием и изменчивостью, что нередко затрудняет их точную классификацию. Это объясняется множеством факторов, влияющих на их структуру и функционирование, включая степень затопления, особенности почвенного состава, а также типы растительности. Кроме того, временные изменения, вызванные сезонностью и погодными условиями, приводят к формированию переменных форм

водно-болотных угодий. Такие территории могут появляться как на регулярной, так и на нерегулярной основе, что ещё больше усложняет их типологическое разграничение и требует углублённого научного анализа.

Согласно определению Рамсарской конвенции [18, 19], ВБУ - это участки земли, постоянно или периодически затопленные водой в течение длительного времени, что достаточно для создания особой среды обитания по сравнению с другими участками земли. Водно-болотные угодья охватывают широкий спектр природных территорий, таких как болота, озёра, мангровые леса, речные поймы, а также прибрежные зоны с пресной или солёной водой. Тип воды в этих системах зависит от источника питания и интенсивности её движения.

Независимо от того, является ли определение широким или узким, водно-болотные угодья, как правило, представляют собой переходные экосистемы, в которых происходит затопление водой, что способствует развитию различных растительных и животных систем. Согласно Ле Ван Хоа [17], определения водно-болотных угодий обычно включают три ключевых элемента.

1. Водно-болотные угодья характеризуются наличием воды.

2. Водно-болотные угодья отличаются однородными особенностями, отличными от окружающих возвышенных земель.

3. Растительный покров водно-болотных угодий формируется из видов, адаптированных к повышенной влажности и переувлажнённым условиям среды.

Вьетнам входит в число государств, обладающих значительными и ценными водно-болотными экосистемами, которые уже были выявлены и признаны. В соответствии с определением, установленным Рамсарской конвенцией, к водно-болотным угодьям на территории Вьетнама относятся как естественные, так и антропогенные водные объекты - болота, торфяные участки, водоёмы с различной степенью солёности, которые подвергаются постоянному или временному затоплению. Также в это понятие включаются прибрежные морские акватории с

глубиной до шести метров в условиях самого низкого отлива. Именно поэтому рамсарский подход к определению водно-болотных угодий широко применяется не только во вьетнамской научной практике, но и в международных исследованиях [20, 21].

1.1.2 Функции водно-болотных угодий

ВБУ являются интегрированными природными системами, в состав которых входят водоём, почвенно-грунтовая основа и биотические сообщества, включающие разнообразные виды растений и животных, формируют уникальный комплекс, который обеспечивает этим экосистемам важные экологические функции и значимые хозяйственные выгоды [22]:

- биоразнообразие водно-болотных угодий выражается в присутствии множества видов растений и животных, среди которых есть редкие и исчезающие представители;

- гидрологическая функция - они регулируют водный режим, улучшая качество воды и снижая риск наводнений за счёт накопления и замедления потока избыточной влаги;

- эти экосистемы также способствуют улучшению состояния водной среды, так как задерживают вредные вещества и тем самым препятствуют их дальнейшему распространению;

- болота и другие водно-болотные участки предоставляют широкие возможности для отдыха: от рыбалки и охоты до плавания, гребли на каяках и наблюдения за животными в естественной среде;

- кроме того, такие территории имеют экономическое значение - они служат источником рыбы, древесины, лекарственных растений, а также используются в водном хозяйстве, аквакультуре и туристической сфере;

- важно отметить и культурную ценность водно-болотных угодий для местных сообществ, особенно для коренных народов, чья жизнь тесно связана с этими природными территориям;

- сохраняя болота и регулируя водный режим в этих природных резервуарах, можно эффективно контролировать последствия паводков, постепенно распределяя сток после сильных осадков. Таким образом, можно уменьшить или ограничить наводнения в нижнем течении;

- противодействие волнам, бурям, стабилизация береговой линии и борьба с эрозией: прибрежные мангровые заросли снижают силу ветра во время бури, уменьшают воздействие волн на сушу, защищают берег и противодействуют изменению климата.

Кроме того, водно-болотные угодья выполняют широкий спектр экологических функций от аккумулирования питательных веществ и фильтрации воды до задержки наносов и токсичных веществ, а также регулирования подземных водных ресурсов и продукции биомассы. Помимо этого, они представляют собой критически важные ареалы обитания для многочисленных редких мигрирующих видов птиц, оказывая существенное влияние на поддержание биологического равновесия и устойчивость природных сообществ. Они обладают большим потенциалом для развития экотуризма.

1.1.3 Классификация водно-болотных угодий

В начале 1970-х годов Рамсарская конвенция (1971) классифицировала водно-болотные угодья на 22 типа, не разделяя их на системы или классы. С течением времени и в процессе практической реализации в различных странах первоначальная система классификации водно-болотных угодий подвергалась адаптации и расширению, в результате чего количество их типов достигло 42 [19]. Во Вьетнаме подход к определению и систематизации водно-болотных экосистем основывается на положениях Постановления Правительства №°66/2019/ИВ-СР, в котором изложены принципы их классификации, проведения инвентаризации на национальном уровне [21]. Основной целью является выделение типов водно-болотных угодий для

эффективного управления, сохранения и устойчивого использования этих территорий.

Чтобы лучше соответствовать условиям Вьетнама, в соответствии с циркуляром № 07/2020/ТТ-ВТММТ от 31 августа 2020 года Министерства природных ресурсов и окружающей среды водно-болотные угодья во Вьетнаме делятся на 3 группы, основываясь на гидрологических, океанографических, топографических, геоморфологических факторах, условиях почвы, степени антропогенного воздействия, а также влиянии морских и континентальных факторов. Водно-болотные угодья классифицируются на следующие 3 (три) группы [21]:

1. Прибрежные и островные экосистемы водно-болотного типа представляют собой природные солоноватые и солёные угодья, находящиеся вдоль береговой линии и на островных территориях (группа I, см. приложение 1);

2. Внутриконтинентальные водно-болотные системы - это природные пресноводные угодья, расположенные в глубине суши или вблизи морского побережья (группа II, приложение 1);

3. Искусственные водно-болотные территории образованы в результате антропогенной деятельности (группа III, приложение 1).

Согласно положениям нормативных документов, разграничение прибрежных и островных водно-болотных угодий осуществляется следующим образом:

1. Водно-болотные территории, протянувшиеся от средней многолетней отметки максимального прилива до средней многолетней линии минимального отлива;

2. Водно-болотные участки, находящиеся ниже средней линии низкого моря и простирающиеся до глубины в шесть метров под уровнем моря.

Создание и развитие системы классификации служит основой и стандартом, облегчающим устойчивое управление водно-болотными угодьями. На данный момент во Вьетнаме существуют две основные системы классификации: RAMSAR и МИНПРИРОДЫ (приложение 1). Обе системы охватывают все типы водно-болотных

угодий Вьетнама и являются важным источником для ученых, занимающихся исследованием и классификацией водно-болотных угодий.

1.2 Методы автоматизированной обработки материалов космической съемки для определения водно-болотных угодий

Картография существует с древних времен и представляет собой сочетание науки и искусства [23]. Каждая карта имеет свои ограничения, связанные с возможностями картографирования географических объектов и навыками картографа. Ранее для изучения водно-болотных угодий применялись аэрофотоснимки, однако в настоящее время их всё чаще заменяют спутниковые данные, в том числе мультиспектральные изображения, что значительно упрощает процесс анализа этих экосистем [24-27]. В наши дни технологии дистанционного зондирования активно используются для учёта и классификации водно-болотных территорий [28].

Спутниковые снимки отражают текущее состояние поверхности земли с высокой точностью и позволяют отображать различные виды землевользования. Информация о спектре отражения является ключевым фактором в дистанционном зондировании. Благодаря спутниковым снимкам можем исследовать водно-болотные угодья через их спектральные характеристики, что делает спутниковые изображения эффективным инструментом для определения распределения различных типов водно-болотных угодий [29].

Современные технологии дистанционного зондирования существенно расширяют наши возможности в изучении и мониторинге водно-болотных угодий на обширных территориях. Благодаря высокой пространственной и временной детализации, такие данные становятся незаменимым инструментом для специалистов в области управления природными ресурсами, обеспечивая более обоснованные и своевременные решения [9]. Помимо картографирования площади и распределения этих экосистем, дистанционное зондирование позволяет глубже анализировать их экологические функции и оценивать предоставляемые ими экосистемные услуги [28].

Данный подход, применяемый на уровне ландшафта, предоставляет учёным и специалистам по управлению возможность выявлять и оценивать как положительные, так и отрицательные эффекты, а также глубже анализировать пространственные связи между водно-болотными угодьями и иными типами земной поверхности.

Использование серии спутниковых снимков, сделанных в разное время, способствует изучению динамики пространственно-временных процессов, позволяя выявлять причины трансформаций водно-болотных экосистем и их влияние на функциональные возможности и экосистемные услуги. Многие из этих воздействий становятся очевидными лишь благодаря методам дистанционного зондирования, что особенно важно ввиду труднодоступности большинства водно-болотных территорий [30].

Использование спутниковых данных в исследовании водно-болотных угодий, несмотря на свои преимущества, имеет определенные ограничения. Эти ограничения в основном связаны с воздействием погодных условий и атмосферных факторов на процесс сбора данных ДЗЗ. Это может привести к снижению возможностей сбора данных в важные моменты. Ранее пространственное разрешение спутниковых данных было значительной проблемой, однако ситуация в настоящее время значительно улучшилась. Многие спутниковые датчики теперь предоставляют данные со сверхвысоким пространственным разрешением, достигающим нескольких метров, такие как система GeoEyes с разрешением до 0,41 метра. Эти достижения значительно повысили возможность применения спутниковых данных в исследовании и управлении экосистемами водно-болотных угодий (табл. 1.1).

Список литературы диссертационного исследования кандидат наук Куен Динь Туен, 2026 год

СПИСОК ЛИТЕРАТУРЫ

1 Секретариат Рамсарской конвенции. Руководство по реализации положений Конвенции о водно-болотных угодьях международного значения (Рамсар, Иран, 1971), 4-е издание. - Секретариат Рамсарской конвенции, Гланд, Швейцария, 2006.

2 Barbour, M.G. Terrestrial Plant Ecology, 2nd ed. / M.G. Barbour, J.H. Burk, W.D. Pitts. -Текст: непосредственный // Menlo Park, CA, USA: The Benjamin/Cummings Publishing Company. - 1987.

3 Глущенко Ю. Н. Водно-болотные угодья юга Дальнего Востока России. Мартыненко А. Б Дарман Ю. А. - Текст: непосредственный // Водно-болотные угодья России. Wetlands International. - 2005. -Т. 5. - С. 220.

4 Millennium Ecosystem Assessment. Ecosystems and Human Well-Being: Wetlands and Water Synthesis / Millennium Ecosystem Assessment // Washington, DC, USA: World Resources Institute. - 2005.

5 Marshall, C.H. Has the conversion of natural wetlands to agricultural land increased the incidence and severity of damaging freezes in South Florida? / C.H. Marshall, R.A. Pielke, L.T. Steyaert // Mon Weather Rev. - 2004. - № 132. - С. 2243-2258

6 Karl, T.R. Global Climate Change Impacts in the United States / T.R. Karl, J.M. Melilo, T.C. Peterson // Cambridge, MA, USA: Cambridge University Press. - 2009.

7 Секретариат Рамсарской конвенции. Инвентаризация водно-болотных угодий: Схема инвентаризации водно-болотных угодий Рамсарской конвенции / Секретариат Рамсарской конвенции. - Текст: непосредственный // Руководства Рамсарской конвенции по разумному использованию водно-болотных угодий. - 3-е издание, №2 12. - Гланд, Швейцария: Секретариат Рамсарской Конвенции. - 2007.

8 Конвенция о водно-болотных угодьях. Новый инструментарий для национальной инвентаризации водно-болотных угодий / Конвенция о водно-болотных угодьях. -Текст: непосредственный // Секретариат Конвенции о водно-болотных угодьях. -Гланд, Швейцария. - 2020.

9 Guo, M. A review of wetland remote sensing / M. Guo, J. Li, C. Sheng, J. Xu, L. Wu // Sensors. - 2017. - № 17(4). - С. 777.

10 Zhu, X. X. Deep learning in remote sensing: A comprehensive review and list of resources / X. X. Zhu, D. Tuia, L. Mou, G. S. Xia, L. Zhang, F. Xu, F. Fraundorfer. - Текст: непосредственный // IEEE Geoscience and Remote Sensing Magazine. - 2017. - № 5(4). - С. 8-36.

11 Clair, T. A. Canadian inland wetlands and climate change / T. A. Clair, B. G. Warner, R. Robarts, H. Murkin, J. Lilley, L. Mortsch, W. Avis. - Текст: непосредственный // The Canada Country Study: Climate Impacts and Adaptation. National Sectoral Volume. -Ottawa, Ontario, Canada: Environment Canada, 1998. - С. 189-218

12 Cowardin, L.M. Classification of wetlands and deepwater habitats of the United States / L.M. Cowardin. - Текст: непосредственный // Fish and Wildlife Service, US Department of the Interior. - 1979.

13 Scott, D.A. Classification and inventory of wetlands: A global overview / D.A. Scott, T.A. Jones. - Текст: непосредственный // Vegetatio. - 1995. - Vol. 118(1-2). - P. 3-1.

14 Semeniuk, C. A. A geomorphic approach to global classification for inland wetlands / C. A. Semeniuk, V. Semeniuk. - Текст: непосредственный // Classification and Inventory of the World's Wetlands. - 1995. - С. 103-124.

15 National Research Council, Division on Earth, Life Studies, Commission on Geosciences, & Committee on Characterization of Wetlands. Wetlands: Characteristics and boundaries / National Research Council, Division on Earth, Life Studies, Commission on Geosciences, & Committee on Characterization of Wetlands. - Текст: непосредственный // National Academies Press. - 1995.

16 Валеева, Э. И. Роль водно-болотных угодий в устойчивом развитии севера Западной Сибири / Э. И. Валеева, Д. В. Московченко. - Текст: непосредственный // Федеральное государственное бюджетное учреждение науки Институт проблем освоения Севера Сибирского отделения Российской академии наук. - 2001

17 Le Dang Khoa. Bat Ngap Nuac / Le Dang Khoa. - Текст: непосредственный // Nha xuit ban giao duc. - Ha Noi. - 2005.

18 Davis, T.J. The Ramsar Convention manual: a guide to the convention on wetlands of international importance especially as waterfowl habitat / T.J. Davis. - Текст: непосредственный // Ramsar Convention Bureau. - Gland, Switzerland: Ramsar Convention Bureau. - 1994.

19 Секретариат Рамсарской конвенции. Создание Рамсарских угодий: Стратегическая схема и указания по дальнейшему формированию Списка водно-болотных угодий международного значения / Секретариат Рамсарской конвенции. - Текст: непосредственный // Руководства Рамсарской конвенции по разумному использованию водно-болотных угодий. - Гланд, Швейцария: Секретариат Рамсарской Конвенции. - 2007.

20 Viet Nam Environment Protection Agency. Overview of Wetlands Status in Viet Nam Following 15 Years of Ramsar Convention Implementation / Viet Nam Environment Protection Agency. - Текст: непосредственный // Hanoi, Viet Nam. - 2005. - P. 72.

21 Министерство природных ресурсов и экологии. (2020). Приказ № 07/2020/TT-BTNMT, устанавливающий правила охраны водно-болотных территорий в соответствии с постановлением № 66/2019/ND-CP. [Электронный ресурс]. Доступно по ссылке: https://thuvienphapluat.vn/van-ban/Tai-nguyen-Moi-truong/Thong-tu-07-2020-TT-BTNMT-huong-dan-Nghi-dinh-66-2019-ND-CP-bao-ton-cac-vung-dat-ngap-nuoc-454921.aspx?anchor=chuong_pl_1. Дата обращения: 03.03.2025.

22 Wetland International Значение водно-болотных угодий. [Электронный ресурс]. -Режим доступа: https://russia.wetlands.org/ru/. - (дата обращения: 03.03.2025).

23 Багров, Л. История картографии / Л. Багров. - Текст: непосредственный. - 2020.

24 Civco, D. Characterization of coastal wetland systems using multiple remote sensing data types and analytical techniques / D. Civco, J. Hurd, S. Prisloe, M. Gilmore. - Текст: непосредственный // In 2006 IEEE International Symposium on Geoscience and Remote Sensing. - IEEE. - 2006. - С. 3442-3446.

25 Federal Geographic Data Committee. Application of satellite data for mapping and monitoring wetlands-fact finding report / Federal Geographic Data Committee. - Текст: непосредственный // Wetlands Subcommittee, Reston. - 1992.

26 Ozesmi, S. L. Satellite remote sensing of wetlands / S. L. Ozesmi, M. E. Bauer. - Текст: непосредственный // Wetlands ecology and management. - 2002. - Т. 10. - С. 381-402. -DOI: 10.1023/A: 1020908432489.

27 Zhu, L. A review: Remote sensing sensors / L. Zhu, J. Suomalainen, J. Liu, J. Hyyppä, H. Kaartinen, H. Haggren. - Текст: непосредственный // Multi-purposeful application of geospatial data. - 2018. - Т. 19.

28 Rebelo, L. M. Remote sensing and GIS for wetland inventory, mapping and change analysis / L. M. Rebelo, C. M. Finlayson, N. Nagabhatla. - Текст: непосредственный // Journal of environmental management. - 2009. - Т. 90, № 7. - С. 2144-2153. - DOI: 10.1016/j.j envman.2007.06.027.

29 Mahdavi, S. Remote sensing for wetland classification: A comprehensive review / S. Mahdavi, B. Salehi, J. Granger, M. Amani, B. Brisco, W. Huang. - Текст: непосредственный // GIScience & remote sensing. - 2018. - Т. 55, № 5. - С. 623-658. -DOI: 10.1080/15481603.2017.1419602.

30 Gallant, A.L. The challenges of remote monitoring of wetlands / A.L. Gallant. - Текст: непосредственный // Remote Sensing. - 2015. - Т. 7, № 8. - С. 10938-10950. - DOI: 10.3390/rs70810938.

31 Alavipanah, S. K. Criteria of selecting satellite data for studying land resources / S.K. Alavipanah, H.R. Matinfar, A. Rafiei Emam, K. Khodaei, R. Hadji Bagheri, A. Yazdan Panah. - Текст: непосредственный // Desert. - 2010. - Vol. 15, No. 2. - P. 83-102.

32 Oppelt, N., & Muhuri, A. Fundamentals of remote sensing for terrestrial applications: Evolution, current state of the art, and future possibilities / N. Oppelt, A. Muhuri. - Текст: непосредственный // Remote Sensing Handbook, Volume I. - 2024. - С. 173-209.

33 Лыонг Чинь Ке. (2007). Потенциал картографирования спутниковых снимков с высоким разрешением. [Электронный ресурс]. - Режим доступа:

https://xaydung.gov.vn/Images/FileOld/48304/4668/Tiem_nang_ban_do.pdf . - (дата обращения: 03.03.2025).

34 Himeur, Y. Using artificial intelligence and data fusion for environmental monitoring: A review and future perspectives / Y Himeur, B. Rimal, A. Tiwary, A. Amira. - Текст: непосредственный // Information Fusion. - 2022. - Vol. 86. - P. 44-75. - DOI: 10.1016/j.inffus.2022.06.003.

35 Guan, X. Extracting Wetland Type Information with a Deep Convolutional Neural Network / X. Guan, D. Wang, L. Wan, J. Zhang. - Текст: непосредственный // Computational Intelligence and Neuroscience. - 2022. - Vol. 2022, No. 1. - P. 5303872. -DOI: 10.1155/2022/5303872.

36 Hosseiny, B. WetNet: A spatial-temporal ensemble deep learning model for wetland classification using Sentinel-1 and Sentinel-2 / B. Hosseiny, M. Mahdianpari, B. Brisco, F. Mohammadimanesh, B. Salehi. - Текст: непосредственный // IEEE transactions on geoscience and remote sensing. - 2021. - Vol. 60. - P. 1-14. - DOI: 10.1109/TGRS.2021.3113856.

37 Peña, F. J. DeepAqua: Semantic segmentation of wetland water surfaces with SAR imagery using deep neural networks without manually annotated data / F. J. Peña, C. Hübinger, A. H. Payberah, F. Jaramillo. - Текст: непосредственный // International Journal of Applied Earth Observation and Geoinformation. - 2024. - Vol. 126. - P. 103624. - DOI: 10.1016/j.jag.2023.103624.

38 Liu, M. Study on transfer learning ability for classifying marsh vegetation with multisensor images using DeepLabV3+ and HRNet deep learning algorithms / M. Liu, B. Fu, D. Fan, P. Zuo, S. Xie, H. He, M. Zhao. - Текст: непосредственный // International Journal of Applied Earth Observation and Geoinformation. - 2021. - Vol. 103. - P. 102531. - DOI: 10.1016/j .jag.2021.102531.

39 Zhu, J. Analysis of changes of Baiyangdian wetland from 1975 to 2018 based on remote sensing / J. Zhu, Y Zhou, S. Wang, L. Wang, W. Liu, H. Li, J. Mei. - Текст:

непосредственный // National Remote Sensing Bulletin. - 2019. -D0I:10.11834/jrs.20198379.

40 Jamali, A. A. Assessing the expansion of saline lands through vegetation and wetland loss using remote sensing and GIS / A. A. Jamali, M. A. M. Naeeni, G. Zarei. - Текст: непосредственный // Remote Sensing Applications: Society and Environment. - 2020. -Vol. 20. - DOI: 10.1016/j.rsase.2020.100428.

41 Peng, J. Continuous change mapping to understand wetland quantity and quality evolution and driving forces: a case study in the Liao River estuary from 1986 to 2018 / J. Peng, S. Liu, W. Lu, M. Liu, S. Feng, P. Cong. - Текст: непосредственный // Remote Sensing. - 2021. - Vol. 13(23). - DOI: 10.3390/rs13234900.

42 Yang, X. Detection and characterization of coastal tidal wetland change in the northeastern US using Landsat time series / X. Yang, Z. Zhu, S. Qiu, K. D. Kroeger, Z. Zhu, S. Covington. - Текст: непосредственный // Remote Sensing of Environment. - 2022. - №2 276. - DOI: 10.1016/j.rse.2022.113047.

43 Seto, K. C. Mangrove conversion and aquaculture development in Vietnam: A remote sensing-based approach for evaluating the Ramsar Convention on Wetlands / K. C. Seto, M. Fragkias. - Текст: непосредственный // Global Environmental Change. - 2007. - № 17(3-4). - С. 486-500. - DOI: 10.1016/j.gloenvcha.2007.03.001.

44 Министерство природных ресурсов и экологии. (2016). Решение № 1093/QD-TCMT, содержащее технические рекомендации по классификации водно-болотных угодий. [Электронный ресурс]. Доступ: https://thuvienphapluat.vn/van-ban/Tai-nguyen-Moi-truong/Quyet-dinh-1093-QD-TCMT-huong-dan-ky-thuat-phan-loai-dat-ngap-nuoc-2016-340453.aspx. (Дата обращения: 03.03.2025).

45 Министерство природных ресурсов и экологии. (2020). Закон № 72/2020/QH14 «О защите окружающей среды». [Электронный ресурс]. Доступно по адресу: https://thuvienphapluat.vn/van-ban/Tai-nguyen-Moi-truong/Luat-so-72-2020-QH14-Bao-ve-moi-truong-2020-431147.aspx. (Дата обращения: 03.03.2025).

46 Министерство природных ресурсов Канады. 2013. Основы дистанционного зондирования: Классификация и анализ изображений. [Электронный ресурс]. - Режим доступа: https://natural-resources.canada.ca/maps-tools-and-publications/satellite-imagery-and-air-photos/tutorial-fundamentals-remote-sensing/image-interpretation-analysis/image-classification-and-analysis/9361 . - (дата обращения: 03.03.2025).

47 Кочуб Е. В. Анализ методов обработки материалов дистанционного зондирования Земли / Е. В. Кочуб, А. А. Топаз. - Текст: непосредственный // Вестник Полоцкого государственного университета. Серия F. Строительство. Прикладные науки. - 2012. - № 16. - С. 132-140.

48 Нгуен Ван Нам. (2018). Разработка метода выявления и прогнозирования замещения типов землепользования на водонепроницаемых поверхностях с использованием данных многозональных спутниковых съемок: диссертация на соискание учёной степени кандидата технических наук по специальности 25.00.34 «Аэрокосмические исследования Земли, фотограмметрия». - 110 с. - EDN VPOXAT.

49 Blaschke, T. Object-based contextual image classification built on image segmentation / T. Blaschke. - Текст: непосредственный // IEEE Workshop on Advances in Techniques for Analysis of Remotely Sensed Data. - 2003. - IEEE. - 2003. - С. 113-119. - DOI: 10.1109/WARSD.2003.1295182.

50 Duro, D. C. A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using SPOT-5 HRG imagery / D. C. Duro, S. E. Franklin, M. G. Dube. - Текст: непосредственный // Remote Sensing of Environment. - 2012. - № 118. - С. 259-272. - DOI: 10.1016/j.rse.2011.11.020.

51 Dronova, I. Object-based image analysis in wetland research: A review / I. Dronova. -Текст: непосредственный // Remote Sensing. - 2015. - № 7(5). - С. 6380-6413. - DOI: 10.3390/rs70506380.

52 Powell, R. Land use land cover mapping in the Tiffin River Watershed / R. Powell, C. Brooks. - Текст: непосредственный //. -2008.

53 Stähl, N. Identifying wetland areas in historical maps using deep convolutional neural networks / N. Stähl, L. Weimann. - Текст: непосредственный // Ecological Informatics. -2022. - № 68. - С. 101557. - DOI: 10.1016/j.ecoinf.2022.101557.

54 Sun, A. Y How can Big Data and machine learning benefit environment and water management: a survey of methods, applications, and future directions / A. Y Sun, B. R. Scanlon. - Текст: непосредственный // Environmental Research Letters. - 2019. - № 14(7). - С. 073001. - DOI: 10.1088/1748-9326/ab1b7d.

55 Zhang, S. Challenges in KNN classification / S. Zhang. - Текст: непосредственный // IEEE Transactions on Knowledge and Data Engineering. - 2021. - № 34(10). - С. 46634675. - DOI: 10.1109/TKDE.2021.3049250.

56 Wang, L. Support vector machines: theory and applications / L. Wang. - Текст: непосредственный // Springer Science & Business Media. - 2005. - Vol. 177.

57 Breiman, L. Random forests / L. Breiman. - Текст: непосредственный // Machine Learning. - 2001. - № 45. - С. 5-32.

58 Куен, Д. Т. Разработка методики определения типов прибрежных водно-болотных угодий по космическим изображениям Planetscope с использованием метода глубокого обучения (на примере национального парка Муй Камау, Вьетнам) / Д. Т. Куен, В. А. Малинников, Ч. К. Фам // Известия высших учебных заведений. Геодезия и аэрофотосъемка. - 2023. - Т. 67, № 6. - С. 109-122. - DOI 10.30533/GiA-2023-061

59 Гафаров Ф. М. Искусственные нейронные сети и приложения: учеб. пособие / Ф. М. Гафаров, А.Ф. Галимянов. - Казань: Изд-во Казан. ун-та, 2018. - 121 с.

60 Dang, Kinh Bac. Coastal wetland classification with deep u-net convolutional networks and sentinel-2 imagery: A case study at the Tien Yen Estuary of Vietnam / K. B. Dang, et al. - Текст: непосредственный // Remote Sensing. - 2020. - № 12 (19). - С. 3270. - DOI: 10.3390/rs12193270.

61 DeLancey, E. R. Comparing deep learning and shallow learning for large-scale wetland classification in Alberta, Canada / E. R. DeLancey, J. F. Simms, M. Mahdianpari, B. Brisco,

C. Mahoney, J. Kariyeva. - Текст: непосредственный // Remote Sensing. - 2019. - № 12(1). - С. 2. - DOI: 10.3390/rs12010002.

62 Лекун, Я. Как учится машина: Революция в области нейронных сетей и глубокого обучения / Я. Лекун. - Текст: непосредственный // Альпина Паблишер. - 2021.

63 Pinaya, W. H. L. Convolutional neural networks / W. H. L. Pinaya, S. Vieira, R. GarciaDias, A. Mechelli. - Текст: непосредственный // Machine learning. - Academic Press: 2020. - С. 173-191. - DOI: 10.1016/B978-0-12-815739-8.00010-9.

64 Dony R. D. Neural network approaches to image compression / R. D. Dony, S. Haykin. - Текст: непосредственный // Proceedings of the IEEE. - 1995. - Т. 83, № 2. - С. 288303. - DOI: 10.1109/5.364461.

65 Kasabov, N. K. NeuCube: A spiking neural network architecture for mapping, learning and understanding of spatio-temporal brain data / N. K. Kasabov. - Текст: непосредственный // Neural Networks. - 52: 2014. - С. 62-76. - DOI: 10.1016/j.neunet.2014.01.006.

66 Averkin, A. Deep neural networks in digital economy / A. Averkin, S. Yarushev. - Текст: непосредственный // CEUR Workshop Proceedings. - 2019. - Vol. 2413. - С. 2-8.

67 Сверточная нейронная сеть, структура, топология, функции активации и обучающее множество. 2018. часть 1: [Электронный ресурс]. Источник: https://habr.com/ru/articles/348000/ (дата обращения: 03.03.2025)

68 Zhang, Q. Image Segmentation with Pyramid Dilated Convolution Based on ResNet and U-Net / Q. Zhang, Z. Cui, X. Niu, S. Geng, Y. Qiao. - Текст: непосредственный // Neural Information Processing. - 2017. - In: Liu, D., Xie, S., Li, Y., Zhao, D., El-Alfy, ES. (eds) ICONIP 2017. Lecture Notes in Computer Science, vol 10635. - Cham: Springer. - DOI: 10.1007/978-3-319-70096-0_38.

69 Chen, Y Channel-Unet: a spatial channel-wise convolutional neural network for liver and tumors segmentation / Y. Chen, K. Wang, X. Liao. - Текст: непосредственный // Frontiers in genetics. - 2019. - № 10. - С. 1110

70 Young, N. E. A survival guide to Landsat preprocessing / N.E. Young, R.S. Anderson, S.M. Chignell, A.G. Vorster, R. Lawrence, P.H. Evangelista. - Текст: непосредственный // Ecology. - 2017. - 98(4): 920-932. - DOI: 10.1002/ecy.1730.

71 Ronneberger, O. U-net: Convolutional Networks for Biomedical Image Segmentation / O. Ronneberger, P. Fischer, T. Brox. - Текст: непосредственный // Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015. - 2015. - №. 9351. - P. 234-241. - D0I:10.1007/978-3-319-24574-4_28

72 Куен, Д. Т. Оценка площадей мангровых зарослей с помощью космических изображений PlanetScope и глубокой сверточной сети U-Net в провинции Бенче во Вьетнаме / Д. Т. Куен, В. А. Малинников // Мониторинг. Наука и технологии. - 2023. -№ 4(58). - С. 64-74. - DOI 10.25714/MNT.2023.58.008. - EDN CEORUG.

73 Белова, Е. И. Предварительная обработка временных серий изображений Landsat-TM/ETM+ при создании безоблачных композитных изображений местности / Е. И. Белова, Д. В. Ершов // Современные проблемы дистанционного зондирования Земли из космоса. - 2011. - Т. 8, № 1. - С. 73-82. - EDN NVVVWL.

74 Thorne, K. Radiometric calibration of Landsat / K. Thorne, B. Markharn, P. S. Barker, S. J. P. E. Biggar. - Текст: непосредственный // Photogrammetric Engineering & Remote Sensing. - 1997. - № 63(7). - С. 853-858.

75 Cui, L. Assessment of atmospheric correction methods for historical Landsat TM images in the coastal zone: A case study in Jiangsu, China / L. Cui, et al. - Текст: непосредственный // European Journal of Remote Sensing. - 2014. - Vol. 47(1). - P. 701716. - DOI: 10.5721/EuJRS20144740.

76 Атмосферная коррекция. [Электронный ресурс]. Источник: https://gis-lab.info/qa/atcorr-dos.html (дата обращения: 03.03.2025)

77 Chavez Jr., P. S. Radiometric calibration of Landsat Thematic Mapper multispectral images / P. S. Chavez Jr. - Текст: непосредственный // Photogrammetric Engineering and Remote Sensing. - 1989. - Vol. 55, Issue 9. - P. 1285-1294.

78 Dave C. P. A survey on geometric correction of satellite imagery / C. P. Dave, R. Joshi, S. S. Srivastava. - Текст: непосредственный // International Journal of Computer Applications. - 2015. - Vol. 116, Issue 12.

79 Hall D. K. Normalized-difference snow index (NDSI) / D. K. Hall, G. A. Riggs. - Текст: непосредственный // Encyclopedia of Snow, Ice and Glaciers. - 2010.

80 Stillinger, T. Cloud masking for Landsat 8 and MODIS Terra over snow-covered terrain: Error analysis and spectral similarity between snow and cloud / T. Stillinger, D. A. Roberts, et al. - Текст: непосредственный // Water Resources Research. - 2019. - № 55(7). - С. 6169-6184. - DOI: 10.1029/2019WR024932.

81 Gómez-Chova, L. Cloud masking and removal in remote sensing image time series / L. Gómez-Chova, J. Amorós-López. - Текст: непосредственный // Journal of Applied Remote Sensing. - 2017. - № 11(1). - С. 015005-015005. - DOI: 10.1117/1.JRS.11.015005

82 Руководства пользователя ArcGIS Pro. Fundamentals of pan sharpening: [Электронный ресурс]. Источник: https://pro.arcgis.com/en/pro-app/latest/help/analysis/raster-functions/fundamentals-of-pan-sharpening-pro.htm#:~:text=Pan%20sharpening%20methods-

,What%20is%20pan%20sharpening%3F,the%20two%20rasters%20fully%20overlap. (дата обращения: 03.03.2025)

83 Matsushita B. Sensitivity of the enhanced vegetation index (EVI) and normalized difference vegetation index (NDVI) to topographic effects: a case study in high-density cypress forest / B. Matsushita, W. Yang, J. Chen, et al. - Текст: непосредственный // Sensors. - 2007. - Т. 7, № 11. - С. 2636-2651. - DOI: 10.3390/s7112636

84 Руководства пользователя ArcGIS Pro. Export Training Data For Deep Learning: [Электронный ресурс]. Источник: https://pro.arcgis.com/en/pro-app/latest/tool-reference/image-analyst/export-training-data-for-deep-learning.htm (дата обращения: 03.03.2025)

85 Jernberg, J. Identification of alkaline fens using convolutional neural networks and multispectral satellite imagery / J. Jernberg. - Текст: непосредственный - 2021.

86 Руководства пользователя ArcGIS Pro Training, validation, and test datasets: [Электронный ресурс]. Источник: https://trainingdata.pro/training-validation-test-datasets (дата обращения: 03.03.2025)

87 Ташматова, Ш. С. АЛГОРИТМЫ, ОПТИМИЗИРОВАННЫЕ ДЛЯ ЭФФЕКТИВНОГО СОЗДАНИЯ НЕЙРОННЫХ СЕТЕЙ / Ш. С. Ташматова. - Текст: непосредственный // Science and innovation. - 2024. - Специальный выпуск 33. - С. 531-535

88 Логика мышления // Персептрон, сверточные сети. 2014. Часть 3. URL: https://habr.com/ru/articles/214317/ (дата обращения: 03.03.2025)

89 Goodfellow, I., Bengio, Y, Courville, A. Deep learning / I. Goodfellow, Y. Bengio, A. Courville. - 2016.

90 Kingma, D. P. Adam: A method for stochastic optimization / D. P. Kingma. - Текст: непосредственный // arXiv preprint arXiv: 1412.6980. - 2014.

91 Куен, Д. Т. Классификация устьевых и прибрежных водно-болотных угодий по снимкам Planet NICFI на основе сверточных нейронных сетей и трансферного обучения / Д. Т. Куен, В. А. Малинников // Геодезия и картография. - 2024. - Т. 85, № 6. - С. 31-42. - DOI 10.22389/0016-7126-2024-1008-6-31-42. - EDN CMGQQD.

92 Rahman, M.A. Optimizing Intersection-Over-Union in Deep Neural Networks for Image Segmentation / M.A. Rahman, Y. Wang. - Текст: непосредственный // Advances in Visual Computing. ISVC 2016. - Lecture Notes in Computer Science, vol. 10072. - Cham: Springer, 2016. - DOI: 10.1007/978-3-319-50835-1_22.

93 David Fagbuyiro. 2024. Guide To Transfer Learning in Deep Learning, [Электронный ресурс]. - Режим доступа: https://medium.com/@davidfagb/guide-to-transfer-learning-in-deep-learning-1f685db1fc94 . - (дата обращения: 03.03.2025).

94 Руководства пользователя ArcGIS Pro. Справка ArcGIS Pro - Глубокое обучение в ArcGIS Pro [Электронный ресурс]. - Режим доступа: .https://developers.arcgis.com/python/latest/ . - (дата обращения: 03.03.2025).

95 Truong, T.H.B. Using multi-temporal remote sensing data to manage the mangrove for coastal environmental protection / T.H.B. Truong, V.H. Le Kim, T. Nguyen, V.L. - Текст: непосредственный // In International Society for Photogrammetry and Remote Sensing (ISPRS) Archives. - 2008. - Vol. 37. - Part 8.

96 Luu, H.T. Characteristics of formulation and orientation of wetlands use of Can Gio district, Ho Chi Minh city / H.T. Luu. - Текст: непосредственный // Institute of Geography and Resources of Ho Chi Minh City. - Ho Chi Minh: 2022.

97 Куен Д.Т., Малинников В.А. Разработка методики определения типов водно-болотных угодий в мангровом биосферном резервате Канзё города Хошимина с использованием многозональных разновременных космических снимков // Мониторинг. Наука и технологии. - 2023. - № 2(56). - С. 47-55. - DOI 10.25714/MNT.2023.56.006. - EDN ODIYLX.

98 Amani, M. Wetland Change Analysis in Alberta, Canada Using Four Decades of Landsat Imagery / M. Amani, S. Mahdavi, M. Kakooei, A. Ghorbanian, B. Brisco, E.R. DeLancey, E.L. Reyes. - Текст: непосредственный // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. - 2021. - Vol. 14. - P. 10314-10335.

99 Amani M. Wetland Change Analysis in Alberta, Canada Using Four Decades of Landsat Imagery / M. Amani, S. Mahdavi, M. Kakooei, A. Ghorbanian, B. Brisco, E.R. DeLancey, E.L. Reyes. - Текст: непосредственный // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. - 2021. - Vol. 14. - P. 10314-10335.

100 Huynh, Q.T. Composition and Structure of the Mangrove Forest at the Protected Zone of Ca Mau Cape National Park, Vietnam / Q.T. Huynh, P.P. Enrique, B. Inocencio, et al. -Текст: непосредственный // Journal of Environmental Science and Management. - 2009. - Valuation of Mangrove l. 12.

101 Gee Y. Land Cover Classification Based on PSPNet Using Remote Sensing Image / Zhang X. - Текст: непосредственный // Proceedings of 2021 40th Chinese Control Conference (CCC). - 2021. - С. 7349-7354. DOI:10.23919/CCC52363.2021.9550326.

102 Lu J. Land cover classification of remote sensing images based on improved DeeplabV3+ network / Zhou B, Wang B, Qihang Z. - Текст: непосредственный // Journal of Physics: Conference Series. - 2022. - Т. 2400. DOI:10.1088/1742-6596/2400/1/012035.

103 Mahmon N.A., Ya'acob N. A review on classification of satellite image using Artificial Neural Network (ANN) // 2014 IEEE 5th Control and system graduate research colloquium. 2014. P. 153-157. DOI: 10.1109/ICSGRC.2014.6908713

104 Son T. Bánh giá bien dong rung ngap man tinh Ben Tre tren co so ánh ve tinh giai doan 1988-2018 / T. Son, P. T. Duong. - Текст: непосредственный // Tap chí Khoa hoc Dai hoc Dóng Tháp. - 2020. - № 9(3). - С. 52-64.

105 Viet Nam Disaster Management Authority MINISTRY OF AGRICULTURE AND RURAL DEVELOPMENT COASTAL PROTECTION FOR MEKONG DELTA. [Электронный ресурс]. - Режим доступа: https://coastal-protection-mekongdelta.com/ . -(дата обращения: 03.03.2025).

106 Coastal survey of the Mekong Delta. [Электронный ресурс]. - Режим доступа: https://drive.google.com/file/d/1VZZVi75GwTzMpcwGrVBntDrXm0L847nn/view?u+sp= share_link . - (дата обращения: 03.03.2025).

107 Mokievsky, V. O. The dynamics of mangroves in the Mekong Delta (Vietnam): from degradation to restoration / V. O. Mokievsky, T. Son, D. V. Dobrynin. - Текст: непосредственный // Doklady Earth Sciences. - 2020. - Vol. 494. - С. 745-747.

108 Mokievsky, V. O. The dynamics of mangroves in the Mekong Delta (Vietnam): from degradation to restoration / V. O. Mokievsky, T. Son, D. V. Dobrynin. - Текст: непосредственный // Doklady Earth Sciences. - 2020. - Vol. 494. - С. 745-747

109 Vo, Q. Valuation of Mangrove Ecosystems along the Coast of the Mekong Delta in Vietnam: an approach combining socioeconomic and remote sensing methods / Q. Vo. -Текст: непосредственный - 2013.

110 McLean R. F. Coastal zones and marine ecosystems / R. F. McLean, A. Tsyban, V. Burkett. - Текст: непосредственный // Climate Change. - 2001. - P. 343-379.

111 Miththapala, S. Analysis of the impact / S. Miththapala. - Текст: непосредственный // Ecosystem and Livelihoods Groups Asia, IUCN. - 2008. - Vol. 2.

112 Klein, G.D. Intertidal flats and intertidal sand bodies / G.D. Klein. - Текст: непосредственный // Coastal sedimentary environments. - New York: - 1985. - P. 187224

113 Вьетнамское министерство природных ресурсов и охраны окружающей среды. Инструктивный документ по регулированию использования пойменных территорий, прибрежных аллювиальных земель и акваторий, расположенных вдоль морского побережья [Электронный источник]. - Доступно по ссылке: https://thuvienphapluat.vn/van-ban/Bat-dong-san/Thong-tu-02-2015-TT-BTNMT-huong-dan-Nghi-dinh-43-2014-ND-CP-Nghi-dinh-44-2014-ND-CP-266954.aspx (дата обращения: 03.03.2025).

114 Xu, Y. A Comparative Analysis of Water Indices for Delineating Water Bodies from Landsat TM Imagery / Y. Xu, H. Zhang, Y. Li. - Текст: непосредственный // Remote Sensing. - 2017. - № 9(2). - С. 141. - DOI: 10.3390/rs902014.

115 Baikin, D. A. Analysis of the impact of oil product spills on natural objects based on Sentinel-2 remote sensing data in Eastern Siberia / D. A. Baikin. - Текст: непосредственный // Interekspo Geo-Sibir'. - 2021. - Т. 6. - С. 24-31. - DOI: 10.33764/2618-981X-2021-6-24-31.

116 Zhang, S. Automatic waterline extraction and topographic mapping of tidal flats from SAR images based on deep learning / S. Zhang, Q. Xu, H. Wang, Y. Kang, X. Li. - Текст: непосредственный // Geophysical Research Letters. - 2022. - Т. 49, № 2. - DOI: 10.1029/2021GL096007

117 Картографирование приливно-отливных отмелей вдоль побережья Вьетнама с использованием методов глубокого обучения на основе изображения Sentinel-1 / Д. Т. Куен, В. А. Малинников, Т. Э. Сереке, С. Х. Нго // Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий). - 2024. - Т. 29, №2 6. - С. 7082. - DOI 10.33764/2411-1759-2024-29-6-70-82. - EDN LMJKAK

118 Truàng B. Kich bân bien dôi khi hâu nuac bien dâng cho Viêt Nam. Bô Tài nguyên và Môi truàng. 2012

119 Центр адаптации к изменению климата. Портал информации об адаптации к изменению климата. Доступно по ссылке: http ://adaptation. dcc. gov.vn/ (дата обращения: 26.08.2024)

120 Nguyên, V.T. Kich bân bien dôi khi hâu. / Pham TTN, Huynh TLH. - Текст: непосредственный // Bô Tài nguyên và Môi truàng. - 2021

121 Warren Pinnacle Consulting. SLAMM 6.7 Technical Documentation. - 2016

122 Houghton, J.T. Climate change 2001: The scientific basis / J.T. Houghton. - Текст: непосредственный. - Cambridge: Cambridge University Press, 2001.

123 Krauss, K.W. How mangrove forests adjust to rising sea level / K.W. Krauss, K.L. McKee, C.E. Lovelock, D.R. Cahoon, N. Saintilan, R. Reef, L. Chen. - Текст: непосредственный // New Phytologist. - 2014. - Т. 202, № 1. - С. 19-34. - DOI: 10.1111/nph.12605.

124 Hâi, H.D. Nghiên cuu phuong phap quy chuyên dô cao giùa hâi dô và bân dô dia hinh biên dua trên thûy trièu tai khu vuc Vinh Bâc Bô / H.D. Hâi, H.G. Trong, P.V. Tuân и др. -Текст: непосредственный // Tap chi Khi tugng Thûy vân. - 2023.

ПРИЛОЖЕНИЕ

Приложение 1 - Типы ВБУ по системе классификации Вьетнама

ГРУППА ТИПЫ ВОДНО-БОЛОТНЫХ УГОДИЙ РАМСАР МИНПРИРОДЫ ВЬЕТНАМА

1. Постоянные мелководные морские участки, обычно с глубиной менее 6 метров при отливе, включая морские заливы и проливы. А УЬп

2. Сублиторальные мелководья и подводные банки, покрытые зарослями бурых водорослей, морских трав и тропических морских лугов. В ТсЬ

к л ч о и 3. Коралловые рифовые образования. С

^ - 2 I н о ч о ю 0 1 ч о а <и Ы и о г а И <и 5Й и а о Е 4. Каменистые морские берега, включая скалистые острова и обрывистые участки побережья. Б Вуа

5. Побережья с песчаным и галечным покрытием, а также песчаные отмели, косы и небольшие островки; сюда входят дюнные системы и заболоченные понижения между дюнами; литоральные отмели с илистым, песчаным и солончаками. Е, а В81

6. Эстуарные зоны: постоянные водоемы эстуариев и речных дельт. Б УС8

7. Литоральные лесные влажные угодья, включая мангровые заросли. I Ипш

8. Прибрежные солоноватые и солёные лагуны, связанные с морем через узкие проливы. I Бр

9. Карстовые и прочие подземные гидрологические системы прибрежных и морских территорий. гк(а) СуЬ

1 2 о § 10. Постоянные реки и ручьи, включая водопадные участки. м

ш £ 5 ¡8 * £ « н 6 ® ^ § в 155 11. Временные или сезонные реки, ручьи и водотоки. N

12. Постоянные пресноводные озера площадью свыше 8 гектаров, включая крупные старицы. Нп О, Р

13. Постоянные пресноводные болота и мелкие водоемы (пруды менее 8 гектаров), а также торфяные болота с полупогружённой растительностью, влажные на протяжении большей части вегетационного сезона. ТЬ и, Хр

14. Водно-болотные территории с преобладанием кустарников и сезонными затоплениями. СЬ

15. Водно-болотные угодья с доминирующими лесными насаждениями и сезонными паводками. С8 Х£

16. Геотермальные водно-болотные экосистемы. 8пп 28

17. Карстовые и другие подземные гидросистемы в континентальных районах. СМ 2к(Ь)

Искусственные водно-болотные угодья 18. Солоноватые пруды, озёра и лагуны, используемые в морской аквакультуре. Лпш 1, 2

19. Поля осоки. Бе 4

20. Соляные залежи. Бш 5

21. Пресноводные пруды, озёра и лагуны, применяемые в аквакультуре. Лпп 1, 2

22. Земли сельскохозяйственного назначения (пахотные угодья). Бпп 3

23. Искусственные водные объекты. ИШ 6

24. Горные карьеры и выработки. Мкз 7

25. Пруды, водохранилища и сооружения для очистки сточных вод. Ух1 8

26. Искусственные водотоки, включая канавы и осушительные каналы. 9

Приложение 2 - Описание некоторых типов водно-болотных угодий на

спутниковых снимках и примеры

Типы водно-болотных угодий Описание и идентификация на спутниковых снимках Пример на снимках

Мелководъя Мелководъя - это прибрежные морские зоны с глубиной менее 6 м. На изображении они могут быть определены по цвету: светло-голубой или мутно-голубой; с мелкозернистой структурой. пи

Коралловые рифы Коралловые рифы -это объекты, которые сложно определить напрямую, они имеют светло-серый, серый, серо-коричневый цвет; структура мелкозернистая. '»А

Скалы и каменистые берега Скалы и каменистые берега распределены по краям горных массивов у моря, чаще всего в районах открытого моря. На изображении видно, что линия побережья такого типа прямая, а у подножия берега отсутствуют пляжи. 1 ' 1 , \

Прибрежные отмели Прибрежные отмели (каменистые, песчаные, или илистые) -это участки, которые обнажаются только во время отлива. В устьях рек или в защищенных зонах побережья они могут расширяться в виде выступов в море. На изображении они обычно имеют светло-голубой или мутно-голубой цвет вдоль береговой линии. 1—»¡К

Пойменные участки вдоль рек и побережий Пойменные участки вдоль рек и побережий формируются в результате естественного осадконакопления. Поверхность обычно состоит из ила, песка или смеси песка и ила. Эти участки, как правило, уже стабильны, и многие из них используются для разведения водных животных, выращивания мангровых лесов или посадки ситника. На изображении невозделанные пойменные участки имеют светло-серый, серый или серо-коричневый цвет; структура мелкозернистая. Л

Песчано-гравийные отмели Песчано-дюнные образования характеризуют прибрежные полосы и речные берега, распределяясь вдоль данных ландшафтных элементов. На визуальном материале они представлены оттенками от белого до беловато-серого с легким голубоватым отливом, обусловленным вариациями влажности и наличием растительного покрова на песчаной поверхности; текстура песка преимущественно мелкозернистая. г*» дАЛ1; 5 /Ш * / Л Щ и 1 Ш —ар /г7 ;

Мангровые леса Мангровые леса и нипа (водный кокос) -это объекты, которые легко определить на изображении, особенно когда у этих деревьев большие кроны. Мангровые леса обычно распределяются вдоль побережья Вьетнама. На изображении они имеют красный, розовато-красный или красно-коричневый цвет; структура мелкозернистая. Я \ К'' ' 1

Леса мелалеуки Леса мелалеуки развиваются на кислых торфяных почвах и часто подвергаются затоплению, особенно в сезон дождей и в районах с пресноводными впадинами, расположенными за песчаными холмами вдоль морского побережья и рек. На спутниковых снимках они отображаются красным или красно-коричневым оттенком; при этом видна полосатая и мелкозернистая структура этих лесов. * Ч : ■ж ■'' А-., ЩШшж

Постоянные водоемы эстуариев и дельтовых областей Эстуарии представляют собой участки, где река впадает в море. Их можно распознать по характерной форме и цвету на изображениях. Однако оттенок воды в устьях рек варьируется: чаще всего это тёмно-зелёный цвет, но иногда встречаются голубые или светло-голубые тона из-за осадочных наносов. Здесь смешиваются пресная и солёная вода, создавая зону с солоноватой водой. _

Лагуны Лагуны образуются песчаными грядами, которые тянутся параллельно побережью и замыкаются, оставляя небольшие проливы для соединения с морем. Благодаря их характерному расположению и форме, лагуны легко идентифицировать на изображении.

Болота Болота - это низменные участки земли, которые могут затапливаться в зависимости от сезона. Существуют два типа болот: солёные болота, расположенные в прибрежных районах и подверженные воздействию морской воды, и пресноводные болота, которые находятся глубоко внутри материка, часто связаны с низменными районами, озёрами, замкнутыми реками или зонами устьев рек. На поверхности могут быть растительные покровы в виде кустарников, трав, камыша или тростника. На спутниковых снимках болота можно распознать по пятнистым структурам с ячеистой текстурой, а также по цветам: коричневый, серо-коричневый, серо-зелёный. ш

Затопленные травяные луга Затопленные травяные луга встречаются на ровных мелководных прибрежных участках, расположенных на уровне низкого прилива. На спутниковых снимках такие участки имеют коричневый или голубоватый цвет. «Г м

Солончаки Прибрежные земли, используемые для производства соли, называются соляными полями. На космических снимках они выделяются своей регулярной сетчатой структурой: белые соляные пятна сочетаются с зелёными и серо-зелёными полосами, обозначающими каналы и водоёмы для циркуляции морской воды. пи

Аквакультурные зоны Аквакультурные территории охватывают пруды, озёра, лагуны, эстуарии, каналы, а также низменные поля и русла рек, предназначенные для разведения различных водных организмов. Эти земли могут быть подготовлены для выращивания рыбы, креветок и других водных видов либо представлять собой комбинированные участки мангровых лесов и одноурожайных рисовых полей с аквакультурой. На спутниковых изображениях подобные места выделяются прямоугольными участками с однородной мелкозернистой либо ячеистой текстурой (для специализированных хозяйств), тогда как полосатая текстура с чередующимися цветами указывает на аквакультуру в мангровых экосистемах. □

Затопленные сельскохозяйств енные угодья Затопленные сельскохозяйственные угодья - это ровные участки в равнинах, долинах или низменностях, которые используются для выращивания риса. На спутниковых снимках они легко распознаются по сетчатой структуре, образованной каналами и земляными дамбами. Цвет полей зависит от стадии роста культур: после сбора урожая или во время посадки поля выглядят голубыми или серо-голубыми, а в период активного роста растений приобретают красные или тёмнокрасные оттенки. Структура земли мелкозернистая. □

Естественные озёра Естественные озёра и пруды по цвету схожи с зонами аквакультуры и делятся на два типа: сезонные (имеющие воду в определённые периоды) и постоянные (с водой круглый год). На спутниковых снимках их можно определить по характерным цветам и формам.

Реки, ручьи, каналы и протоки Реки, ручьи, каналы и протоки также делятся на два типа: постоянные (с водой круглый год) и сезонные (имеющие воду в определённые периоды). Как и естественные озёра и пруды, их легко распознать на спутниковых снимках по голубому или тёмно-голубому цвету. Однако, чтобы отличить постоянные водоёмы от сезонных, необходимо использовать снимки, сделанные в разные периоды -в сезон дождей и в засушливый сезон, а также проводить полевые исследования.