Приведены результаты изучения динамики таежно-тундровых лесных экосистем Архангельской области на основе материалов дистанционного зондирования Земли и применения классификации изображений с использованием алгоритма случайного леса (Random Forest). Изменение доли лесных, нелесных и не покрытых лесом площадей в районе исследования отмечено в лесном реестре. По итогам работы показано значительное увеличение территории лесов с 2016 по 2023 гг. - на 10,28 % за счет сокращения не покрытых лесом площадей и нелесных земель. Эта динамика обусловлена процессами успешного естественного восстановления лесов, а также их продвижением на север с захватом площадей в связи с изменением климата. Оценка точности автоматизированной классификации спутниковых изображений с использованием алгоритма случайного леса путем сравнения с эталонными данными с применением таких критериев, как общая точность и коэффициент Каппа (степень соответствия оценок модели фактическим данным), подтвердила надежность полученных результатов. В качестве эталонных показателей брали материалы таксационных повыдельных баз данных, данных пробных площадей - стационарных и государственной инвентаризации лесов. Перед началом полевых работ были изучены картографические базы данных и подобраны пробные площади. С опорой на экспериментальные данные по исследуемому району создано большое количество полигонов, отражающих разнообразие лесных насаждений и нелесных территорий, для обучения алгоритма классификации спутниковых изображений. Обработка снимков, включая поправки, мозаику, геопроекцию и возврат, выполнялась с использованием SNAP (Sentinel Application Platform) - программы с открытым исходным кодом. Проанализированы 100 точек в различных лесорастительных условиях в районе исследования. Изучение динамики лесных экосистем на основе материалов дистанционного зондирования Земли и применение классификации изображений с использованием алгоритма случайного леса позволят повысить точность оценки ресурсного и экологического потенциалов насаждений северо-таежных и притундровых лесов Архангельской области.
Исследована трансформация лесов Южного Урала за 25-летний период с применением геоинформационных систем и методов дистанционного зондирования. Определен нормализованный разностный вегетационный индекс (NDVI - Normalized Difference Vegetation Index), который отражает влияние таких факторов, как содержание хлорофилла, площадь поверхности листьев, плотность и структура растительности. Индекс вычислен на основе дешифрования разновременных космических снимков (1995, 2013 и 2020 гг.) со спутников Pleiades-1A, Landsat-5 и -8 с использованием программного пакета ArcGIS для создания карты растительности, отражающей значения NDVI, и ретроспективного анализа ее состояния. Найденные значения имеют тесную корреляционную связь с показателями жизненного состояния, полученными натурным методом (коэффициент корреляции - 0,69). Расчет индекса NDVI, генерирование карт диапазона фиксированных значений NDVI и комбинация каналов «искусственные цвета» по годам позволили выделить лесные участки с оптимальными полнотой, возрастным и санитарным состоянием (темный окрас) и участки, нуждающиеся в лесовосстановлении. Сравнение распределения территории по классам NDVI за 1995-2020 гг. говорит о существенном изменении площади отдельных классов, которые сгруппированы в 11 классов и представлены значениями от -0,14 до +0,91. К 2020 г. превосходящая часть исследуемого участка стала относиться к более высоким классам NDVI - 9 и 10 и составила 98 %, что свидетельствует о возрастной однородности насаждений и повышении продуктивности лесов с 1995 г. Насаждения, имеющие большие индексы NDVI, характеризуются увеличенным по сравнению с другими древостоями накоплением древесной биомассы. Территории классов 1-9 (NDVI 0-0,8) демонстрируют значительное сокращение площади и схожую динамику, а территории классов 10-11 (NDVI 0,8-1,0) - ощутимую положительную динамику. Результаты исследования подтверждают правильность выбора индекса NDVI из известных индексов растительности для оценки трансформации типов подстилающей поверхности изучаемого участка за 25 лет. Таким образом, этот индекс является объективным индикатором состояния лесных экосистем. Методы дешифрирования пространственных изображений могут быть использованы для определения площади лесопокрытых земель и значительно повысить эффективность управления лесными ресурсами.