Verification of Earth remote sensing data in order to determine the aboveground phytomass of plantings in the Voronezh Region | Верификация данных дистанционного зондирования Земли с целью определения надземной фитомассы насаждений в Воронежской области

Английский. The development of Earth remote sensing methods, neural network technologies, creation of machine learning models, etc. will allow developing new algorithms, indicators and criteria that will significantly increase the efficiency of forest monitoring and help reduce financial costs. The basis for the work was the verification of ultra-high- and high-resolution satellite imagery data based on in-situ survey materials conducted on permanent test plots in the Voronezh region in 2022. The generated elements of training samples using a neural network classifier allow for automated, highly accurate determination of forest stand taxation indicators based on remote sensing data. When verifying the amount of aboveground phytomass calculated based on remote sensing data and in-situ survey materials, significant similarity of the presented results was revealed. In 67% of cases, the average phytomass values determined by different methods did not differ significantly from each other (at a significance level of p less 0.05). Reliable differences were found in deciduous stands with high horizontal canopy density, the presence of a second tier and abundant understory vegetation. As a result of the work, a theoretical basis was laid for further research in conducting remote monitoring in the field of forest conservation, protection and reproduction. The material obtained is useful in building multidisciplinary practical work in the areas of restoration of biological diversity of phytocenoses, as well as ensuring the integrity and ecological stability of forests, under modern trends in carbon cycles and climate changes.

Русский. Развитие методов дистанционного зондирования Земли (ДЗЗ), нейросетевых технологий, создание моделей машинного обучения и т.д., позволят разработать новые алгоритмы, показатели и критерии, которые существенно повысят эффективность лесного мониторинга и способствуют снижению финансовых издержек. Основой для выполнения работы являлась верификация данных спутниковых снимков сверхвысокого и высокого разрешения по материалам натурного обследования, проведенного в 2022 г. на постоянных пробных площадях в Воронежской области. Сформированные элементы обучающих выборок с использованием нейросетевого классификатора, позволяют в автоматизированном режиме с высокой степенью точности определить таксационные показатели насаждения на основе данных ДЗЗ. При верификации количества надземной фитомассы, рассчитанной по данным ДЗЗ и материалам натурного обследования, выявлено значительное сходство представленных результатов. В 67% случаев средние значения фитомассы, определенные разными методами, достоверно не отличались друг от друга (на уровне значимости p меньше 0.05). Достоверные различия были обнаружены в лиственных насаждениях с высокой горизонтальной сомкнутостью полога, наличием второго яруса и обильной подпологовой растительностью. В результате работы заложена теоретическая основа для дальнейших исследований при проведении дистанционного мониторинга в области охраны, защиты и воспроизводства лесов. Полученный материал полезен в выстраивании многопрофильной практической работы в сферах восстановления биологического разнообразия фитоценозов, а также обеспечения целостности и экологической стабильности лесов при современных трендах углеродных циклов и климатических изменений.