В.С. Чернышенко1, К.Д. Белов2, Л.Б. Кулыгин3, М.А. Четыркина4

1–4 Финансовый университет при Правительстве Российской Федерации (Москва, Россия)
1 vschernyshenko@fa.ru, 2 constantinbelov5903@gmail.com, 3 Leonid2004.ru@mail.ru, 4 m.chetyrkina24@gmail.com

Постановка проблемы. Нарастающее антропогенное выделение парниковых газов, главным образом CO₂ и метана, подрывает экологическую устойчивость, приводя к изменению климата, экстремальным погодным явлениям и утрате биоразнообразия. А существующие традиционные решения в оценке депонированного, характеризуются ограниченной применимостью к бореальным ландшафтам России вследствие недостаточной репрезентативности обучающих выборок.

Цель. Разработать интегрированную многоуровневую модель, позволяющую оценивать поглощение CO₂ лесными экосистемами посредством совмещения спутниковых данных, метеорологических наблюдений и почвенных показателей с алгоритмами машинного обучения.

Результаты. Получены данные построения модели, демонстрирующие высокую точность прогнозирования ключевых параметров, отвечающих за депонирование углерода. Установлено, что применение ансамблевых алгоритмов и нейронных сетей позволило достичь высокой точности предсказаний (RMSE 0,25–0,35 т/га; R² 0,82–0,88). Приведены значения метрик точности, позволяющие утверждать, что предложенная методика обладает высокой степенью надёжности и применимости к разнообразным лесным массивам, охватывающим значительную часть территории Российской Федерации.

Практическая значимость. Полученные результаты демонстрируют практическую применимость искусственного интеллекта для экологического мониторинга и углеродного регулирования, открывая перспективы масштабируемого использования в национальных системах природоохранного планирования.

Чернышенко В.С., Белов К.Д., Кулыгин Л.Б., Четыркина М.А. Модель оценки поглощения углерода российскими лесами на основе интеграции спутниковых, метеорологических и почвенных данных с использованием машинного обучения // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 6. С. 7−16. DOI: 10.18127/j19998554-202506-01

1. Intergovernmental Panel on Climate Change. (2022). Sixth Assessment Report. [Электронный ресурс]. URL: https://www.ipcc.ch (дата обращения: 07.04.2025).
2. International Energy Agency. (2023). Global Energy and CO₂ Status Report. [Электронный ресурс]. URL: https://www.iea.org/ (дата обращения: 07.04.2025).
3. British Petroleum. (2022). BP Statistical Review of World Energy 2022. [Электронный ресурс].  URL: https://www.bp.com/ (дата обращения: 07.04.2025).
4. European Commission, Eurostat. (2022). Greenhouse gas emission statistics. [Электронный ресурс]. URL: https://ec.europa.eu/eurostat (дата обращения: 08.04.2025).
5. United Nations. (2015). Paris Agreement. [Электронный ресурс]. URL: https://unfccc.int/process-and-meetings/the-paris-agree­ment (дата обращения: 08.04.2025).
6. Федеральная служба государственной статистики (Росстат). (2023). Статистический сборник «Охрана окружающей среды». [Электронный ресурс]. URL: https://rosstat.gov.ru/ (дата обращения: 08.04.2025).
7. Минприроды РФ. (2022). Доклады о состоянии и об охране окружающей среды Российской Федерации. [Электронный ресурс]. URL: https://www.mnr.gov.ru/ (дата обращения: 08.04.2025).
8. Государственная Дума РФ. (2021). Федеральный закон №296-ФЗ. [Электронный ресурс]. URL: http://publication.pravo. gov.ru/ (дата обращения: 08.04.2025).
9. World Meteorological Organization. (2022). WMO Statement on the State of the Global Climate. [Электронный ресурс]. URL: https://public.wmo.int/ (дата обращения: 09.04.2025).
10. Food and Agriculture Organization of the United Nations. (2021). State of the World’s Forests. [Электронный ресурс]. URL: https://www.fao.org/publications (дата обращения: 09.04.2025).
11. Matiza C., Mutanga O., Peerbhay K., Odindi J., & Lottering R. A systematic review of remote sensing and machine learning approaches for accurate carbon storage estimation in natural forests. Southern Forests: a Journal of Forest Science. 2023. 85(3-4) (дата обращения: 07.04.2025).
12. Autumn Nguyen, Sulagna Saha, Machine Learning and Multi-source Remote Sensing in Forest Carbon Stock Estimation: A Review. [Электронный ресурс]. URL: https://arxiv.org/abs/2411.17624 (дата обращения: 07.04.2025).
13. Advancing forest carbon stocks' mapping using a hierarchical approach. (2024). Scientific Reports. [Электронный ресурс]. URL: https://www.nature.com/articles/s41598-024-71133-8 (дата обращения: 07.04.2025).
14. Reiersen G., Dao D., Lütjens B., Klemmer K., Zhu X., & Zhang C. (2021). Tackling the Overestimation of Forest Carbon with Deep Learning and Aerial Imagery. [Электронный ресурс]. URL: https://arxiv.org/abs/2107.11320 (дата обращения: 07.04.2025).
15. Remote Sensing, MDPI, 16[18], 3394. (2023). Comprehensive Multi-Temporal Satellite Data for Boreal Forest Carbon Sequestration Analysis. [Электронный ресурс]. URL: https://www.mdpi.com/2072-4292/16/18/3394 (дата обращения: 09.04.2025).