Перспективы картографирования болотных комплексов Западной Сибири на основе временных серий данных ДЗЗ и методов машинного обучения

В докладк представлены результаты картографирования типов болотных комплексов Томской области по ежедневным данным и зимним композитным изображениям при наличии снежного покрова спутниковой системы MODIS (англ. Moderate Resolution Imaging Spectroradiometer) на основе ансамблевого метода машинного обучения Random Forest. Также в качестве признаков использовались цифровые модели рельефа и местности GTOPO30, ASTER (англ. The Advanced Spaceborne Thermal Emission and Reflection Radiometer Global Digital Elevation Model) и FABDEM (англ. Forest And Buildings removed Copernicus Digital Elevation Model). Разработанная типология болот учитывает результаты других исследователей и включает три болотных микроландшафта с древесным ярусом (сосново-кустарничково-сфагновое болото – рям, рямово-мочажинный комплекс, древесное кустарничково-мохово-разнотравное болото – согра), один комплексный (грядово-мочажинные и грядово-озерковые комплексы), два открытых (травяно-сфагновая топь, осоково-гипновое болото) и внутриболотные озера. Общая точность классификации составила 0,96, для отдельных типов болотных комплексов полнота их выделения изменяется от 0,66 до 0,99. Всего в Томской области идентифицировано 13,7 млн га, в том числе 9,4 млн га преимущественно открытых. Это соответствует площади болот региона за пределами лесных земель согласно статистическим данным (9,2 млн га). Наибольшую важность при классификации типов болотных комплексов имеют цифровые модели рельефа независимо от пространственного разрешения, данные в периоды наличия и схода снежного покрова, начала и окончания вегетации растительности. Таким образом, временные ряды спутниковых данных и методы машинного обучения могут успешно применяться для картографирования типов болотных комплексов Западной Сибири.

Исследование выполнено при финансовой поддержке государства в лице Минобрнауки России (проект № 13.2251.21.0179): номер соглашения в ГИИС «Электронный бюджет» 075-15-2022-1229 «Применение технологий высокопроизводительных вычислений и больших данных для совместной разработки экономически эффективных автоматизированных методов широкомасштабного биомониторинга водно-болотных угодий. HPC and BigData applied to codesigning cost-efficient automation for large scale wetland biomonitoring».