Мониторинг состояния растительного покрова в районе разработки Кедровского угольного разреза на основе спутниковых данных
А.А. Камаев, П.П. Маневич, М.С. Сатубалова
Национальный исследовательский технологический университет «МИСиС», г. Москва, Российская Федерация
Горная Промышленность №1 / 2023 стр. 70-74
Резюме: Рассмотрен подход к мониторингу растительного покрова в районах угольных карьеров на примере Кедровского угольного месторождения на основе данных дистанционного зондирования Земли из космоса – снимках Landsat-8, визуализация и обработка которых происходила в программном обеспечении QGIS и Google Earth Engine. На основе отличительных дешифровочных признаков были выделены основные классы землепользования исследуемого района, включающие в себя 11 микроклассов объектов земного покрова. Произведена оценка эффективности различных алгоритмов классификации методами машинного обучения с определением качества и точности распознавания ими набора выделенных макроклассов. На основе выбранного алгоритма классификации представлен анализ временной динамики объектов землепользования, динамики деградации и восстановления земель в районе Кедровского угольного разреза. Рассмотрены основные тенденции изменения площадей макроклассов в региональном масштабе. Определение функциональной взаимосвязи динамики площадей объектов землепользования осуществлялось линейными уравнениями регрессии, составленными для каждого класса. Дана оценка состояния земель рассматриваемого региона, с учетом факторов, влияющих на деградацию вегетации площадей, основу которых составляет антропогенная деятельность: ведение добычи полезных ископаемых, расширение городской инфраструктуры, пахотных угодий.
Ключевые слова: дистанционное зондирование Земли, землепользование, угольный разрез, мониторинг растительности, машинное обучение, нарушенные земли, классификация с обучением
Для цитирования: Камаев А.А., Маневич П.П., Сатубалова М.С. Мониторинг состояния растительного покрова в районе разработки Кедровского угольного разреза на основе спутниковых данных. Горная промышленность. 2023;(2):70–74. https://doi.org/10.30686/1609-9192-2023-2-70-74
Информация о статье
Поступила в редакцию: 24.02.2023
Поступила после рецензирования: 27.03.2023
Принята к публикации: 03.04.2023
Информация об авторах
Камаев Артем Анатольевич – студент кафедры геологии и маркшейдерского дела Горного института, Национальный исследовательский технологический университет «МИСиС», г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Маневич Полина Павловна – аспирант кафедры безопасности и экологии горного производства Горного института, Национальный исследовательский технологический университет «МИСиС», г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Сатубалова Мадина Сраждиновна – студент кафедры геологии и маркшейдерского дела Горного института, Национальный исследовательский технологический университет «МИСиС», г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Список литературы
1. Петренко И.Е., Шинкин В.К. Итоги работы угольной промышленности России за январь – март 2022 года. Уголь. 2022;(6):6–16. https://doi.org/10.18796/0041-5790-2022-6-6-16
2. Naghibi S.A., Pourghasemi H.R., Dixon B. GIS-based groundwater potential mapping using boosted regression tree, classification and regression tree, and random forest machine learning models in Iran. Enviroment Monitoring Assessesment. 2016;188(1):44. https://doi.org/10.1007/s10661-015-5049-6
3. Xie H., Zhang Ya., Wu Z., Lv T. A bibliometric analysis on land degradation: Current status, development, and future directions. Land. 2020;9(1):28. https://doi.org/10.3390/land9010028
4. Talukdar S., Singha P., Mahato S., Shahfahad V., Pal S. Liou Y.-A., Rahman A. Land-use land-cover classification by machine learning classifiers for satellite observations – A review. Remote Sensing. 2020;12(7):1135. https://doi.org/10.3390/rs12071135
5. Mansour S., Al-Belushi M., Al-Awadhi T. Monitoring land use and land cover changes in the mountainous cities of Oman using GIS and CA-Markov modelling techniques. Land Use Policy. 2020;91:104414. https://doi.org/10.1016/j.landusepol.2019.104414
6. Abdullah A.Y., Marur A., Adnan M.S., Bake A.A., Hassan Q.K., Dewan A. Spatio-temporal patterns of land use/land cover change in the heterogeneous coastal region of Bangladesh between 1990 and 2017. Remote Sensing. 2019;11(7):790. https://doi.org/10.3390/rs11070790
7. Маневич П.П., Коликов К.С. Обоснование метода оценки негативного воздействия угольного разреза на вегетационную активность растительного покрова по данным дистанционного зондирования Земли из космоса. Горный информационно-аналитический бюллетень. 2022;(11):109–120. https://doi.org/10.25018/0236_1493_2022_11_0_109
8. Филиппов Д.В., Чурсин И.Н., Бояренкова А.Д., Рулёв Д.Д. Результаты исследований окарбоначивания почв орошаемых участков по материалам дистанционного зондирования Земли. Геодезия и картография. 2022;(8):39–44. https://doi.org/10.22389/0016-7126-2022-986-8-39-44
9. Черепанов А.С. Вегетационные индексы. Геоматика. 2011;(2):98–102.
10. Thessen A.E. Adoption of machine learning techniques in ecology and earth science. One Ecosystem. 2016;(1): e8621. https://doi.org/10.3897/oneeco.1.e8621
11. Shahabi M., Jafarzadeh A.A., Neyshabouri M.R., Ghorbani M.A., Kamran K.V. Spatial modeling of soil salinity using multiple linear regression, ordinary kriging and artificial neural network methods. Archives of Agronomy and Soil Science. 2017;63(2):151–160. https://doi.org/10.1080/03650340.2016.1193162
12. Janiesch C., Zschech P., Heinrich K. Machine learning and deep learning. Electron Markets. 2021;31(3):685–695. https://doi.org/10.1007/s12525-021-00475-2
13. Mutanga O., Kumar L. Google earth engine applications. Remote Sensing. 2019;11(5):591. https://doi.org/10.3390/rs11050591
14. Ramezan C.A., Warner T.A., Maxwell A.E., Price B.E. Effects of training set size on supervised machine-learning land-cover classification of large-area high-resolution remotely sensed data. Remote Sensing. 2021;13(3):368. https://doi.org/10.3390/rs13030368
15. Брагина Е.В. Методологический подход к формированию каталога тестовых объектов для оценки качества материалов космической съемки. Геодезия и картография. 2021;(10):33–41. https://doi.org/10.22389/0016-7126-2021-976-10-33-41
16. Sarker I.H. Machine learning: Algorithms, real-world applications and research directions. SN Computer Science. 2021;2(3):160. https://doi.org/10.1007/s42979-021-00592-x