Н.Ю. Гушан1

1, Финансовый университет при Правительстве Росскийской Федерации (Москва, Россия)
1 249351@edu.fa.ru

Постановка проблемы. Россия обладает огромными лесными массивами, которые необходимо беречь от воздействия лесных пожаров, вредителей, климатических изменений, а также хозяйственных вмешательств. Для оценки таких воздействий в настоящее время применяют новейшие инженерно-информационные технологии.

Цель. Проанализировать технические возможности ограничения инженерно-информационных технологий применительно к лесным экосистемам, а также показать, как их сочетание способствует решению прикладных задач.

Результаты. Рассмотрены современные технологии пространственного мониторинга лесных экосистем с учетом интеграции экологических и инженерных подходов. Обобщены методы сбора данных: спутниковая и авиационная съемка, наземные сенсоры, геоинформационные системы, машинное обучение и технологии искусственного интеллекта. Отмечено, что данные мониторинга имеют высокую динамику и могут содержать сложные нелинейные зависимости, что предъявляет высокие требования к разрешающим способностям и точности систем наблюдения. Проанализированы основные проблемы и предложены подходы к решению: многомасштабная интеграция данных, использование методов обработки больших данных и алгоритмов машинного обучения для фильтрации шумов и учета сложных закономерностей. Приведены примеры применения технологий в лесовосстановлении, оценке биомассы, мониторинге пожаров и состояния лесов.

Практическая значимость. Результаты проведенных исследований помогут в развитии пространственного мониторинга лесных экосистем.

Гушан Н.Ю. Пространственные данные в мониторинге лесных экосистем // Нелинейный мир. 2025. Т. 23. № 3. С. 88–95. DOI: https://doi.org/10.18127/ j20700970-202503-11

1. Wang R., Sun Y., Zong J. et al. Remote Sensing Application in Ecological Restoration Monitoring: A Systematic Review. Remote Sens. 2024. V. 16. № 12. P. 2204. DOI: 10.3390/rs16122204 (дата обращения: 15.07.2025).
2. Liu P., Ren C., Wang Z. et al. Evaluating the Potential of Sentinel-2 Time Series Imagery and Machine Learning for Tree Species Classification. Remote Sens. 2024. V. 16. № 2. P. 293. DOI: 10.3390/rs16020293 (дата обращения: 15.07.2025).
3. Ecke S., Dempewolf J., Frey J. et al. UAV-Based Forest Health Monitoring: A Systematic Review. Remote Sens. 2022.
   V. 14. № 13. P. 3205. DOI: 10.3390/rs14133205 (дата обращения: 15.07.2025).
4. Lanzolla A., Spadavecchia M. Wireless Sensor Networks for Environmental Monitoring. Sensors. 2021. V. 21. № 4.
   P. 1172. DOI: 10.3390/s21041172 (дата обращения: 15.07.2025).
5. Savinelli B., Tagliabue G., Vignali L. et al. Integrating Drone-Based LiDAR and Multispectral Data for Tree Monitoring. Drones. 2024. V. 8. № 12. P. 744. DOI: 10.3390/drones8120744 (дата обращения: 15.07.2025).
6. Котельников Р.В., Лупян Е.А., Барталев С.А., Ершов Д.В. Космический мониторинг лесных пожаров: история создания и развития ИСДМ-Рослесхоз // Лесоведение. 2019. № 5. С. 399–409. DOI: 10.1134/S0024114819050048 (дата обращения: 15.07.2025).
7. Ершов Д.В., Барталев С.А., Лупян Е.А. Космический мониторинг лесов России: достижения и перспективы // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 6. С. 174–190.
8. Wulder M.A., Coops N.C., White J.C. et al. Remote sensing for operational monitoring of forest disturbances: A review. Remote Sens. Environ. 2008. V. 112. P. 1646–1667.
9. Zhou Y., Wang Y., Liu Y. et al. Forest Inventory Using Airborne LiDAR: A Review. Forest Ecosystems. 2021. V. 8. № 1. DOI: 10.1186/s40663-021-00297-3 (дата обращения: 15.07.2025).
10. Pasquarella V.J., Holden C.E., Kaufman L. et al. From imagery to ecology: leveraging time series of Landsat observations to quantify forest disturbance and ecological response. Remote Sens. Environ. 2022. V. 276. 113063.
11. Li W., Guo Q., Jakubowski M.K. et al. A New Method for Segmenting Individual Trees from the Lidar Point Cloud. Photogramm. Eng. Remote Sens. 2012. V. 78. № 1. P. 75–84.
12. Reiche J., Lucas R., Mitchell A.L. et al. Combining satellite data for better forest monitoring. Nature Climate Change. 2016. V. 6. P. 120–122.
13. Бусыгин Б.С., Новиков А.В. Использование данных Sentinel-1 и Sentinel-2 для мониторинга лесных пожаров // Изв. РАН. Сер.: Географическая. 2020. № 3. С. 89–97.
14. Барталев С.А., Ершов Д.В. и др. Комплексная система спутникового мониторинга лесов России // Лесоведение. 2022. № 6. С. 453–466.
15. Asner G.P., Martin R.E., Knapp D.E. et al. Spectroscopy of canopy chemicals in tropical forests. Proc. Natl. Acad. Sci. USA. 2011. V. 108. № 4. P. 1498–1503.
16. Хмелевская И.В., Ненахов Ю.С. Использование беспилотных летательных аппаратов в лесном мониторинге // Инженерный журнал: наука и инновации. 2022. № 3. DOI: 10.18698/2308-6033-2022-3-2476 (дата обращения: 15.07.2025).
17. Kennedy R.E., Yang Z., Cohen W.B. Detecting trends in forest disturbance and recovery using yearly Landsat time series. Remote Sens. Environ. 2010. V. 114. P. 2897–2910.
18. Breidenbach J., Astrup R., Næsset E. et al. Empirical models for forest biomass estimation using LiDAR data. Forest Ecol. Manag. 2010. V. 260. P. 156–167.
19. Zhou T., Yu Q., Meng Q. Review of deep learning in forest mapping using remote sensing data. Forest Ecol. Manag. 2023. V. 528. 120660.
20. Данилова И.А., Борисова Н.Н. Применение ГИС для оценки и мониторинга лесных ресурсов. Геоинформатика. 2021. № 1. С. 23–31.
21. Кочкаров Р.А., Чиров Д.С., Тимошенко А.В., Казанцев А.М. Модель пространственно-распределенной информационной системы непрерывного мониторинга с предфрактальной динамической структурой в условиях воздействия дестабилизирующих факторов. T-Comm: Телекоммуникации и транспорт. 2025. Т. 19. № 1. С. 4–12. DOI: 10.36724/2072-8735-2025-19-1-4-12 (дата обращения: 15.07.2025).
22. Кочкаров Р.А., Балдычев М.Т., Казанцев А.М. [и др.] Алгоритм оценки структурно-функциональной устойчивости и целостности гетерогенной сети передачи данных пространственно-распределенной системы мониторинга // Труды МАИ. 2024. № 137. EDN: IJZRAI.
23. Шевцов В.А., Казанцев А.М., Тимошенко А.В. и др. Показатель структурной эффективности управления информационным взаимодействием в гетерогенной сети передачи данных пространственно-распределенной системы мониторинга // Вестник Воронежского государственного технического университета. 2024. Т. 20. № 2. С. 124–131. DOI: 10.36622/1729-6501.2024.20.2.019 (дата обращения: 15.07.2025).
24. Шевнина Ю.С., Рябов П.Е., Прокопчина С.В., Кочкаров Р.А. Подходы к прогнозированию изменения состояния обеспечивающих компонентов информационно-управляющей системы // Моделирование, оптимизация и информационные технологии. 2024. Т. 12. № 2(45). DOI: 10.26102/2310-6018/2024.45.2.023 (дата обращения: 15.07.2025).
25. Кочкаров Р.А., Кочкаров А.А. Теоретико-графовый алгоритм динамического назначения средств системы непрерывного мониторинга // Успехи современной радиоэлектроники. 2023. Т. 77. № 9. С. 44–50. DOI: 10.18127/j20700784-202309-05 (дата обращения: 15.07.2025).
26. Тимошенко А.В., Кочкаров Р.А., Кочкаров А.А. Выделение условий разрешимости NP-полных задач для класса предфрактальных графов // Моделирование и анализ информационных систем. 2021. Т. 28. № 2. С. 126–135. DOI: 10.18255/1818-1015-2021-2-126-135 (дата обращения: 15.07.2025).
27. Казанцев А.М., Кочкаров Р.А., Тимошенко А.В., Сычугов А.А. Некоторые подходы к оценке процесса функционирования структурно-динамических систем мониторинга в условиях внешних воздействий // Моделирование, оптимизация и информационные технологии. 2021. Т. 9. № 4(35). DOI: 10.26102/2310-6018/2021.35.4.005 (дата обращения: 15.07.2025).
28. Кочкаров А.А., Яцкин Д.В., Кочкаров Р.А. Применение методов теории просачиваемости для решения задач потокового планирования в транспортных сетях с учетом их структурной динамики // Теоретическая и прикладная экономика. 2021. № 1. С. 13–20. DOI: 10.25136/2409-8647.2021.1.34965 (дата обращения: 15.07.2025).
29. Chernoritskii S.S., Gushan N.Y., Khuranova K.M. Assessment of tree biomass using remote sensing techniques: validation at the territory of the 'forest lake' educational and recreational complex. Environmental Studies and Protection Issues – 2024: Proceedings of the International Youth Scientific and Academic Conference. Moscow. April 19. 2024. Moscow: RUDN University, 2024. P. 74–81.