Мониторинг растительного покрова Сирийской Арабской Республики методами дистанционного зондирования и ГИС технологий тема диссертации и автореферата по ВАК РФ 06.03.02, кандидат наук Али Махер Саид

• Али Махер Саид
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Али Махер Саид

Введение

1. Состояние вопроса исследований

1.1. Лес и глобальное изменением климата

1.2. Дистанционный мониторинг лесов

1.3. Данные спутника 8епйпе1-2

1.4. Тематическое картографирование лесов

1.5. Оценка последствий лесных пожаров

Выводы по первой главе

2. Природные и климатические условия САР

2.1. Территория

2.2. Климат

2.3. Почвенные условия

2.4. Земельные ресурсы

2.5. Лесной покров

2.6. Социально-экономические показатели региона

Выводы по второй главе

3. Программа и объекты исследований

3.1. Программа исследований

3.2. Объект исследований

3.3. Методика исследований

3.4. Спутниковые изображения

3.4. Алгоритм пространственно-временного анализа

Выводы по третьей главе

4. Результаты исследований

4.1. Динамика растительного покрова на национальном уровне

4.1.1. По данным Мо&б

4.1.2. По данным ЬапёБа1

4.2. Оценка на уровне мухафаза Латакия

Выводы по четвертой главе

Заключение

Список сокращений и условных обозначений

Словарь терминов

Список литературы

Приложение

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Мониторинг растительного покрова Сирийской Арабской Республики методами дистанционного зондирования и ГИС технологий»

Актуальность темы исследования

Мониторинг нарушений лесных экосистем, вызванных природными и антропогенными факторами, является основополагающим при выработке решений по устойчивому управлению лесами на региональном уровне. Это особенно актуально для лесных насаждений Сирийской Арабской Республики (САР), которые в последние десятилетия были особенно подвержены катастрофическим нарушениям (пожары, засуха, военные конфликты). Кроме того, в Средиземноморском регионе усиливается тенденция к увеличению числа пожаров, что связано в основном с изменениями климата и в землепользовании (Dayoub, 2014; Gon5alves, Боша, 2017; FAO, 2018). Для понимания степени и масштабов влияния различных факторов на такие изменения в растительном покрове требуется использование разновременных данных дистанционного зондирования Земли.

Развитию дистанционного мониторинга наземного покрова придаётся особое значение в государственных директивных документах Сирийской Арабской Республики: «О национальных взносах в рамках Парижского климатического соглашения» (2018), Федеральной целевой программе «Проект по обследованию природных и сельскохозяйственных ресурсов с использованием технологии дистанционного зондирования и ГИС» (2015), «Лесном кодексе» (2018) и «Методических рекомендациях по проведению государственной инвентаризации лесов» (2006).

Для лесов САР остаются недостаточно изученными пространственно -временные масштабы таких нарушений, выявления закономерностей их периодичности, моделирования возможных сценариев динамики лесного покрова с учётом биотических и абиотических факторов. Решение данных вопросов требует применения современных подходов пространственно-временного анализа и детального мониторинга состояния лесного покрова с использованием данных спутниковой съёмки.

В связи с этим разработанный алгоритм оценки динамики лесного покрова и авторские тематические карты имеют важное научно-практическое и прикладное

значение для осуществления дистанционного мониторинга лесов Сирийской Арабской Республики, что также определяет актуальность проведённых работ.

Степень разработанности темы исследования

Состоянию и мониторингу лесного покрова Сирийской Арабской Республики с использованием спутниковых данных посвящено ограниченное число исследований (Mahfoud et al., 2017; Mohamed et al., 2020). Между тем, как показал обзор современной научной литературы, подобные исследования широко проводятся учёными всего мира (White et al., 2017; Nguyen et al., 2018; Hislop et al., 2018; Reddy et al., 2013; Mercier et al., 2019; Barakata et al., 2018; Galidaki, Gitas, 2015). В Российской Федерации исследования мониторинга лесов по данным спутниковой съёмки проводятся несколькими научными коллективами как на региональном, так и на континентальном уровнях (Барталев и др., 2015; Елсаков и др., 2016; Алексеев и др. 2017; Курбанов и др., 2018; Рахматуллин и др., 2018; Воробьёв и др., 2019).

Следует отметить, что полученные другими учёными немногочисленные оценки растительного покрова САР неоднозначны в связи с различиями используемых спутниковых данных, масштабом исследований, большого разнообразия почв и классов наземного покрова, а также степени точности тематического картографирования растительного покрова. Это обстоятельство обусловило выбор темы, определило цели и задачи данного исследования.

Цель и задачи исследований

Цель исследования - пространственно-временной анализ динамики растительного (лесного) покрова в САР на основе спутниковых изображений среднего и высокого пространственного разрешения. Достижение этой цели диссертационной работы потребовало решение следующих задач:

• Провести анализ мирового опыта применения методов дистанционного зондирования Земли для оценки динамики лесных насаждений.

• Разработать алгоритм пространственно-временной оценки динамики лесного покрова по спутниковым снимкам;

• Выполнить полевые исследования с закладкой тестовых участков в лесных

насаждениях на исследуемой территории САР.

5

• Провести по данным тематического картографирования пространственно -временной анализ динамики лесных насаждений САР за 1993-2019 гг. с использованием спутниковых данных разного пространственного разрешения.

• Разработать рекомендации, направленные на повышение точности тематического картографирования растительного покрова Средиземноморского побережья для устойчивого управления лесов на региональном уровне.

Научная новизна работы заключается в том, что:

1) Впервые для САР разработан и апробирован алгоритм пространственно-временного анализа растительного покрова на основе обширной базы полевых данных и серии разновременных спутниковых снимков MODIS, Landsat и Sentinel.

2) Разработан модуль «дерево решений» выделения классов растительного (лесного) покрова на основе бинарной многоступенчатой классификации спутниковых изображений в зависимости от четырёх предикторов: вегетационный индекс NDVI, цифровая модель рельефа (ЦМР), высота растительности над уровнем моря, уклон и экспозиция местности.

3) Разработаны тематические классы растительного покрова и сформированы авторские карты лесного покрова САР и мухафаза Латакия на основе пространственно-временного алгоритма и модуля «дерево решений».

4) Проведена количественная оценка динамики и нарушенности растительного покрова на уровне лесного насаждения (локальном) и региона САР в целом, основанная на анализе разновременных тематических карт.

Теоретическая и практическая значимость работы

На основании проведённых исследований теоретически обоснована и экспериментально подтверждена возможность повышения достоверности карт растительности САР по данным спутниковой съёмки среднего пространственного разрешения. Выявлено достоверное влияние предикторов (NDVI, цифровая модель рельефа ЦМР, высота растительности над уровнем моря, уклон и экспозиция местности) на точность классификации растительного покрова по спутниковым данным среднего разрешения. Предварительный анализ попарной оценки по методике

Джеффрис-Матусита показал высокую степень разделимости большинства используемых классов наземного покрова классов.

Разработанные тематические карты, полевая база данных тестовых участков и рекомендации могут быть использованы различными профильными организациями САР для получения информации о нарушенных территориях, оптимизации различных видов лесохозяйственного пользования, предотвращении лесных пожаров, а также при планировании мероприятий по устойчивому лесопользованию. Практические и теоретические результаты исследования рекомендованы к внедрению в деятельность лесного и сельского хозяйства САР. Практические и теоретические результаты диссертации работы внедрены в НИР и учебный процесс во ФГБОУ ВПО «ПГТУ» (приложение).

Методы исследования

Теоретической и методологической основой диссертационной работы явилось сочетание новаторских подходов ряда научных направлений в области дистанционного мониторинга и картографирования растительного (лесного) покрова. В работе также были использованы методы: тестовых участков и полевых исследований лесных насаждений, классификации объектов наземного покрова по спутниковым снимкам среднего и высокого пространственного разрешения, дерева целей геоинформационной статистики, попарной оценки спектральных характеристик Джеффрис-Матусита.

Положения диссертации, выносимые на защиту

1) Алгоритм пространственно-временного анализа лесного покрова на примере территории Сирийской Арабской Республики.

2) Оценка динамики растительного (лесного) покрова САР по разновременным спутниковым снимкам MODIS, Landsat и Sentinel-2 за 1993-2019 гг.

3) Авторские оригиналы тематических карт САР и мухафаза Латакия с выделенными классами различных типов наземного (лесного) покрова.

Степень достоверности и апробация научных результатов базируется на обширном экспериментальном материале тестовых участков, репрезентативно

представляющих объект исследования, использовании современных геоинформационных программных пакетов.

Достоверность полученных данных подтверждена соответствующими статистическими критериями, корректным выбором адекватной статистической оценки проведённой классификации, научно-методическим обоснованием признаков и объёмов обучающей и контрольной выборок, использованием строгих методов анализа и обработки экспериментальных данных.

Основные положения и результаты диссертационной работы представлены на конференциях и летних школах российского и международного уровня:

1. Всероссийская (с международным участием) научная конференция студентов и молодых учёных «Проблемы научно -технического развития глазами молодых учёных», 11-12 мая 2017 г., г. Йошкар-Ола, ПГТУ.

2. Международная научно-практическая конференция «Лесные экосистемы в условиях изменения климата: региональные и международные аспекты», 1719 мая 2017 г.

3. Научно-техническая конференция профессорско-преподавательского состава, докторантов и аспирантов Поволжского государственного технологического университета по итогам научно -исследовательской работы за 2017 год, Йошкар-Ола, 18-25 апреля 2018 года.

4. Международная научно-практическая конференция «Экологические и технологические аспекты мониторинга и воспроизводства лесов в условиях изменения климата», 5-7 июня 2019 г., Поволжский государственный технологический университет, Йошкар-Ола, Республика Марий Эл, Россия.

5. Международная научно-практическая конференция «Лесные экосистемы в условиях изменения климата: биологическая продуктивность и дистанционный мониторинг», 15-16 сентября 2020 г.

Публикации. По теме диссертации и разработок опубликовано 8 работ, в том числе 2 научные работы в рецензируемых изданиях, рекомендованных перечнем ВАК Российской Федерации, в которых должны быть опубликованы основные

научные результаты на соискание учёной степени кандидата наук.

8

Личный вклад автора

Автор участвовал в сборе материала полевых исследований, подборе и обработке спутниковых снимков, разработке методики исследования. В ходе исследования им были заложены и исследованы 376 тестовых участков в различных лесных насаждениях САР. Соискателем была проведена классификация спутниковых снимков, оценка точности тематического картографирования, валидация и анализ полученных результатов, формулировка выводов и практических рекомендаций.

Структура и объем работы

Диссертация объёмом 125 страниц машинописного текста состоит из введения, 4 глав, заключения и 1 приложения. Список использованной литературы включает 254 наименования, в том числе 184 иностранных авторов. Текст иллюстрирован 8 таблицами, 34 рисунками.

1. Состояние вопроса исследований

Международная повестка ООН на период до 2030 года предусматривает ключевую роль лесным экосистемам в практической реализации целей в области устойчивого развития. К таким целям (ЦУР, англ. SDG - Sustainable Development Goals) можно отнести: искоренение нищеты и ликвидацию голода (продовольственная безопасность), сохранение и восстановление связанных с водой экосистем, обеспечение комфортной среды для проживания в городах и населённых пунктах, обеспечение доступа к устойчивым источникам энергии (дровяная древесина), борьба с изменением климата.

Лесные экосистемы вносят большой вклад в сохранение биоразнообразия, углеродного цикла, непосредственно с ними связано существование флоры и фауны. Они также способствуют устойчивому ведению сельского хозяйства. Лес стабилизирует почву и климат, очищает атмосферу, регулирует водосток, даёт тень и укрытие, создаёт ареал обитания для опылителей и естественных врагов сельскохозяйственных вредителей (FAO, 2016). Леса и деревья также обеспечивают продовольственную безопасность миллионов людей в разных странах мира, для которых они служат источником питания, энергии и благосостояния.

Лесам планеты также отводится важная роль в решении других задач в рамках ЦУР 15, в том числе: ЦУР 15.3 (борьба с опустыниванием и восстановление деградированных земель и почвы); ЦУР 15.4 (сохранение горных экосистем, в том числе их биоразнообразия) и ЦУР 15.5 (сдерживание деградации природных сред обитания, прекращение процесса утраты биоразнообразия и предотвращение исчезновения видов, находящихся под угрозой вымирания). Между тем глобальные изменения и антропогенный фактор все больше влияют на продуктивность и состояние лесных насаждений многих стран мира, приводя к снижению их устойчивости и нарушенности (FAO, 2019).

Исследования биологической продуктивности и нарушенности лесов в значительной степени основаны на долгосрочном мониторинге и пространственно-временном анализе лесного покрова (Курбанов и др., 2011; Фомин и др., 2007;

Krankina et al., 2011; Yang et al., 2012; Воробьёв и др., 2019а). Решению этих вопросов в значительной мере способствуют данные дистанционного зондирования Земли (ДЗЗ) и программные средства для обработки спутниковых данных (Лупян и др., 2011; Chen et al., 2014; Liu et al., 2011; Воробьёв и др., 2019б). В этой главе диссертационной работы рассмотрены методы и результаты многих научных исследований в области оценки лесного покрова методами ДЗЗ.

1.1. Лес и глобальное изменение климата

Проблема глобального изменения климата является одной из самых значимых в современном мире, представляя собой серьёзную угрозу наземным экосистемам и существованию всего человечества (IPCC, 2014). Феномен изменения климата на планете Земля становится главной причиной нарушений продуктивности, устойчивости и структуры лесных насаждений, а также длительности периода вегетации лесной растительности в различных природных зонах мира (Пахучий, Пахучая, 2014; Öztürk et al., 2018). В частности, учёные считают, что в России, Канаде, США и Скандинавии северная граница бореальных лесов может переместиться на север, что приведёт к резкому уменьшению площади леса (Galos et al., 2013; IPCC, 2014). При этом наблюдается увеличение числа пожаров, вспышек численности насекомых и ветровалов (Воробьев и др., 2014; Hart et al., 2015; Westerling, 2016; Weirather et al., 2018). В связи с ростом антропогенного влияния на лесные экосистемы все более актуальной становится оценка их устойчивости.

Последствия глобального изменения климата имеют непосредственное влияние на средиземноморские леса, которые подверглись в последнее тысячелетие существенным антропогенным воздействиям. Леса этого региона мира характеризуются пространственно-временной разнородностью, которая обусловлена субтропическим климатом, высоким уровнем биоразнообразия и топографической изменчивостью. Большинство таких растительных участков находятся под угрозой опустынивания (Hill, 1994). Поэтому в этом регионе небольшие участки древесно-ку-старниковой растительности представляют собой важный элемент устойчивости

земель к процессам опустынивания (Calvao, Palmeirim, 2004).

11

Существующие климатические модели (рисунок 1.1) предсказывают повышение среднегодовой температуры в Средиземноморье (MedECC, 2019; Giorgi, Lionello, 2008; Somot et al., 2008), что должно привести к увеличению частоты, интенсивности и продолжительности засух, нарушенности лесов, особенно в теплое время года (Sheffield, Wood, 2008; Lindner et al., 2010).

-1-1-!-[-1-1-[-

1880 1900 1920 1940 1960 1980 2000 2020

Год

Рисунок 1.1 - Среднегодовое повышение температуры в Средиземноморском регионе (среднегодовое отклонение температуры по сравнению со средними значениями между 1880 и 1889 годами, представленными синими линиями), тогда как зеленая линия указывает на глобальный уровень. Текущая среднегодовая температура в бассейне Средиземного моря стала на 5,1 ° С выше, чем в период с 1880 по 1899 год, минуя современные тенденции глобального потепления (MedECC, 2019).

Прогнозируемые климатические изменения будут значительно влиять на лесные экосистемы средиземноморского бассейна к 2100 году (1РСС, 2007). Реакция средиземноморских лесов на такие экстремальные климатические явления плохо изучена, поскольку контролируемые полевые эксперименты, имитирующие такие условия, являются дорогостоящими и их трудно выполнить в больших масштабах (Gauquelin et г!., 2018).

Изменение климата может изменить частоту и интенсивность лесных нарушений, таких как вспышки насекомых, инвазивные виды, лесные пожары и штормы (Большаков и др., 2015; МеГ;о1 et а1., 2017; Seidl et а1., 2017). Эти нарушения могут снизить продуктивность лесов (Пахучий и др. 2013; Susaeta et а1., 2014) и повлиять на их структуру и распределение (Rustad et а1., 2014; Garavag1ia; ВеБаЫег,

2014). По оценкам учёных в средиземноморском регионе повышение температуры на 1 °C может привести к тому, что некоторые виды растений мигрируют примерно на 180 км на север (Bleu, 2009).

Изменение климата приведёт к снижению уровня влажности биомассы по сравнению с нынешними значениями в районе Средиземноморья, и регион станет более сухим, что увеличит опасность лесных пожаров, вызванную погодой (Varela et al., 2019). Лесные пожары являются одним из основных природных рисков в Средиземноморском бассейне. В частности, в САР пожары по-прежнему представляют собой один из самых больших рисков для лесных насаждений, которые выполняют важную роль в охране почв от эрозии, регулировании водных ресурсов и обеспечении других различных экологических функций (FAO, 2013).

В Российской Федерации ключевым фактором, влияющим на структуру и пространственное распределение лесных насаждений, являются пожары. Для региона Марийского Заволжья такие изменения связывают с лесными пожарами 1921, 1972 и 2010 гг. (Денисов, 2009; Демаков и др., 2014). Эти события привели к значительному снижению площади хвойных насаждений и массовому распространению насекомых на сгоревших участках (Воробьёв и др. 2012; Krylov et al., 2014). Современные исследования последствий лесных пожаров проводятся с широким применением спутниковой съёмки, наземных (полевых) исследований и программных продуктов по обработке данных ГИС и ДЗЗ (Хлюстов, 2015; Курбанов и др.,

2015).

1.2. Дистанционный мониторинг лесов

В последние годы во всём мире запускается все большое количество новых спутников, а также разрабатываются программные средства, обеспечивающие данные и обработку изображений по исследованию наземного покрова планеты (Кур-банов, 2016). Спутниковые данные широко используются научными коллективами для оценки и мониторинга растительного покрова, прогнозирования пожарной опасности лесов, влияния климата на леса, процессов деградации и опустынивания территорий (Loboda et al, 2017; Терехин, 2017; Воробьёв, Курбанов, 2017).

Кроме того, данные ДЗЗ применяются при оценке чрезвычайных ситуаций и их последствий, и могут быть использованы в качестве важного материала для общей системы оценки, планирования и координации природоохранных мероприятий (Курбанов и др., 2014; Воробьёв и др., 2015; Kurbanov et al., 2020). ДЗЗ и географические информационные системы (ГИС) также широко используются для прогнозирования уровня пожарной опасности лесов (Ghobadi et al., 2012) и в совокупности с точными данными наземной инвентаризации могут быть использованы для принятия решений при ведении лесного хозяйства (Воробьёв, Курбанов, 2013).

Дистанционное зондирование является эффективным инструментом для отслеживания нарушений леса (Zhao et al., 2016; Schroeder et al., 2014; Kupkova et al., 2018; Tao et al., 2019). В Австралии (рисунок 1.2) было проведено исследование, в ходе которого был разработан последовательный подход для картографирования как нарушений, так и оценки восстановления лесов на больших территориях за 30 -летний период (1988-2016 годы) с использованием данных временных рядов Landsat (Nguyen et al., 2017).

Рисунок 1.2 - Тематическая карта нарушенности лесного растительного покрова на территории Австралии за 1988-2016 гг.

Решение этих вопросов обычно проводится на основе различных методов классификации изображений дистанционного зондирования (Noi, Kappas, 2017) с целью получения тематических карт наземного покрова (Барталев и др., 2016). Классификация, основанная на выделении объектов на земной поверхности по различным спектральным отражательным характеристикам, является эффективным способом извлечения информации о растительном покрове с изображений дистанционного зондирования (Jwan et al., 2013; Алексеев, Никифоров, 2013; Puletti et al., 2018).

Развитие методов дистанционного зондирования в ближайшие годы позволит повысить точность распознавания структуры лесных насаждений и проводить оценку их биоразнообразия (Fassnacht et al., 2016; Pouteau et al., 2018). Более детальная классификация лесов с выделением отдельных древесных пород и типов леса, отличающихся своей фенологической динамикой, может быть достигнута за счёт использования мультиспектральных разновременных спутниковых изображений (Жарко, Барталев, 2014; Karasiak et al., 2017).

Существуют исследования, использующие метод фьюжн (слияния) двух снимков (например, Landsat-8 и Sentinel-2) для повышения точности выделения древесных пород при тематической классификации (Wang et al., 2017; Wang, Atkinson, 2018). Также интерес представляет получение более точных моделей, предсказывающих будущие сдвиги ареалов произрастания древесных пород, в рамках исследований изменения климата (Sheeren et al., 2016; Wang, Lu, 2017).

Исследования наземного покрова по данным спутниковой съёмки особенно актуальны для средиземноморских лесов, что обусловлено особым климатом, флористическим биоразнообразием и топографической изменчивостью (Али, 2 017). Высокое разнообразие и фрагментированность растительного покрова, сухость почв, известняки и высокая отражательная способность в этом регионе являются ограничивающими факторами, влияющими на точность картографирования лесных насаждений (Pignatti et al., 2009; Etteieb et al., 2013; Gomariz-Castillo et al., 2017).

Для устранения таких ограничений и повышения точности картирования растительного покрова следует использовать спутниковые данные высокого разрешения Sentinel-2, которые предоставляет новые возможности для создания точных наборов мультиспектральных данных в готовом к использованию векторном формате (Belgiu, Csillik, 2018). Sentinel-2 - это спутник нового поколения, разработанный Европейским космическим агентством, для обеспечения наземного мониторинга и продолжение миссий Landsat и SPOT (ESA introducing .., 2018). Этот спутник сочетает в себе высокое пространственное и временное разрешение, новые спектральные возможности и широкий охват, что даёт больше преимуществ перед спутниками Landsat в области регионального землепользования и классификации наземного покрова (Immitzer et al., 2016; Zheng et al., 2017). Спутниковые снимки Sentinel-2 обладают большим потенциалом для повышения точности классификации типов леса и их породного состава (Puletti et al., 2018).

Данные спутниковой съёмки высокого пространственного разрешения широко применяется для тематического картографирования, изучения возрастной структуры, выявления возраста рубок насаждений, лесовозобновления на гарях, оценке повреждений вредителями и болезнями (Курбанов и др., 2013; Eisfelder, Krausa, 2011; Kim et al., 2014).

Новые алгоритмы и методики были разработаны мировым научным сообществом для анализа изображений, от классификации до повышения точности оценки тематического картографирования. Решение этих вопросов обычно проводится на основе различных методов классификации изображений дистанционного зондирования с целью получения тематических карт наземного покрова (Lopatin, Alexeev, 2014; Барталев и др., 2016).

Широкое применение при мониторинге состояния лесного покрова получили изображения среднего пространственного разрешения системы Landsat (NASA) (Барталев и др., 2012; Терехин, 2010; Franklin, Wulder, 2002; Hansen, Loveland, 2012). Также интерес представляет разработка более точных моделей, прогнозирующих будущие сдвиги ареалов произрастания древесных пород, в рамках исследований изменения климата (Caviglia-Harris et al., 2015; Acuna, Strandgard, 2017).

16

В Финляндии неуправляемая классификация спутниковых снимков методом ближайшего соседа для разграничения лесных и нелесных земель стала неотъемлемой частью национальной инвентаризации лесов (Haapanen et al., 2004; Rasanen et al., 2019). Кроме того, в этой стране при проведении национальной инвентаризации активно используется лазерное сканирование, что позволяет повысить точность проводимых исследований (Packalen et al., 2013; Kotivuori et al., 2016).

В Испании коллективом учёных установлено, что на прирост деревьев и накопление фитомассы (углерода) в значительной степени влияет наличие воды (Vayreda et al., 2012). С другой стороны, небольшое потепление в исследуемом регионе Испании привело к снижению скорости роста и накопления углерода, особенно во влажных районах. Пространственные вариации в снижении углеродо-депонирования были в основном связаны с естественной динамикой самоизрежи-вания на заброшенных лесных участках.

1.3. Данные спутника Sentinel-2

В последние годы стали активно использоваться разновременные спутниковые снимки, которые позволяют выявлять изменения в растительном покрове на больших площадях с течением времени (Hepinstall-Cymerman et al., 2009; Елсаков, Кулюгина, 2014; Helman et al., 2015; Воробьёв и др., 2019а). Такие подходы особенно применимы при использовании разновременных изображений спутниковой системы Landsat, архивные данные которой можно найти, начиная с 1970 -х годов (Барталев и др., 2012; Курбанов и др., 2014; Gomariz-Castillo et al, 2017) или сенсоров MODIS, установленных на спутниках Terra и Aqua (Cai et al., 2014; Курбанов, 2016).

Для наземного покрова территории острова Гонав близ побережья Гаити была исследована динамика ландшафта на основе классификации спутникогвых изображений Landsat с 1990 по 2010 годы (White et al., 2013). Результаты анализа полученных результатов классификации показывают, что все основные типы наземного покрова претерпели существенные изменения с 1990 по 2010 год на этом острове (рисунок 1.3).

Список литературы диссертационного исследования кандидат наук Али Махер Саид, 2021 год

Список литературы

1. Алексеев А.С., Никифоров А.А. Анализ производительности съёмки участков лесного фонда с помощью беспилотного летательного аппарата Cropcamp (на примере учебно-опытного лесничества Ленинградской области) // Известия Санкт-Петербургской лесотехнической академии. 2013. № 205, С. 6 -15.

2. Алексеев А.С., Михайлова А.А., Черниховский Д.М., Березин В.И. Метод определения таксационных характеристик насаждений по аэрофотоснимкам сверхвысокого разрешения // Труды Санкт-Петербургского научно-исследовательского института лесного хозяйства. 2017, № 2, С.67-77.

3. Али М.С. Картографирование растительного покрова Сирийской Арабской Республики по данным спутника MODIS // Лесные экосистемы в условиях изменения климата: биологическая продуктивность и дистанционный мониторинг: сборник научных статей [Электронный ресурс]. Йошкар-Ола: ПГТУ, 2017. № 3. С. 74- 84.

4. Али М.С. Спектральная разделимость классов наземного покрова мухафаза Ла-такия Сирийской Арабской Республики по данным спутника Sentinel-2 // Лесные экосистемы в условиях изменения климата: биологическая продуктивность и дистанционный мониторинг: сборник научных статей [Электронный ресурс]. Йошкар-Ола: ПГТУ. 2019. № 5. С. 114-125.

5. Али М.С., Воробьёв О.Н., Курбанов Э.А. Алгоритм «дерево решений» для классификации лесов Сирийской Арабской Республики по снимку SENTINEL -2 // Вестник Поволжского государственного технологического университета. Сер.: Лес. Экология. Природопользование. 2020а. № 1 (45). С. 5-30.

6. Али М.С., Лежнин С.А., Воробьёв О.Н., Курбанов Э.А. Мониторинг растительного покрова мухафаза Латакия Сирийской Арабской Республики по снимкам Landsat // Вестник Поволжского государственного технологического университета. Сер.: Лес. Экология. Природопользование. 2020б. № 3 (47). С. 19-31.

7. Атлас Мира. Азия - географический атлас [Электронный ресурс]. - URL: http://world-karta.ru/ syria-map .html

8. Бадер В. Географические особенности почвенного покрова и вопросы классификации почв Сирии: автореф. дис... канд. географ. Москва, 1991. 20 с.

9. Барталев С.А., Егоров В.А, Ершов Д.В., Исаев А.С., Лупян Е.А., Плотников Д.Е., Уваров И.А. Спутниковое картографирование растительного покрова России по данным спектрорадиометра MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2011. № 4(8). С. 285-302.

10. Барталев С.А., Егоров В.А., Ефремов В.Ю., Лупян Е.А., Стыценко Ф.В., Флит-ман Е.В. Оценка площади пожаров на основе комплексирования спутниковых данных различного пространственного разрешения MODIS и Landsat-ТМ/ЕТМ+ // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9, № 2. С. 343-351.

11. Барталев С.А., Егоров В.А., Жарко В.О., Лупян Е.А., Плотников Д.Е., Хвостиков С.А. Состояние и перспективы развития методов спутникового картографирования растительного покрова России // Современные проблемы дистанционного зондирования Земли из космоса. 2015. Т. 12, № 5. С. 203-221.

12. Барталев С.А., Егоров В.А., Жарко В.О., Лупян Е.А., Плотников Д.Е., Хвостиков С.А., Шабанов Н.В. Спутниковое картографирование растительного покрова России. Москва: ИКИ РАН, 2016. 208 с.

13. Барталев С.А., Стыценко Ф.В., Хвостиков С.А., Лупян Е.А. Методология мониторинга и прогнозирования пирогенной гибели лесов на основе данных спутниковых наблюдений // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14, № 6. С. 176-193.

14. Большаков Н.М., Жиделева В.В., Пахучий В.В. Эколого-экономические основы организации лесного хозяйства в восточных районах европейского севера России в условиях изменения климата // Известия высших учебных заведений. Лесной журнал. 2015. Т. 5 (347). С. 77 -91.

15. Воробьёв О.Н., Курбанов Э.А., Губаев А.В., Лежнин С.А., Полевщикова Ю.А. Дистанционный мониторинг лесных гарей в Марийском Заволжье // Вестник Поволжского государственного технологического университета. № 1. 2012. С. 12- 22.

16. Воробьёв О.Н., Курбанов Э.А. Мониторинг состояния растительного покрова на территории Республики Марий Эл с использованием ЕКУ^АТ MERIS // Вестник МГУЛ -Лесной вестник - М.: Московский государственный университет леса. 2013. № 7. С. 42- 45.

17. Воробьёв О.Н., Курбанов Э.А., Лежнин С.А., Полевщикова Ю.А., Демишева Е.Н. Методика выявления степени повреждения древостоев после пожаров 2010 года в Среднем Поволжье // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11, № 4. С. 217-229.

18. Воробьёв О.Н., Курбанов Э.А., Губаев А.В., Лежнин С.А., Полевщикова Ю.А., Демишева Е.Н., Коптелов В. О. Дистанционный мониторинг городских лесов // Вестник Поволжского государственного технологического университета.

Серия «Лес. Экология. Природопользование». 2015. Т. 25, № 1. С. 5- 21.

102

19. Воробьёв О.Н., Курбанов Э.А. Дистанционный мониторинг восстановительной динамики растительности на гарях Марийского лесного Заволжья // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14, № 2. С. 84-97.

20. Воробьёв О.Н., Али М.С. Классификация лесного покрова мухафаза1 Латакия Сирийской Арабской Республики по данным спутника Sentinel -2 // Лесные экосистемы в условиях изменения климата: биологическая продуктивность и дистанционный мониторинг: сборник научных статей. [Электронный ресурс]. Йошкар-Ола: ПГТУ. 2018. № 4. С. 110-122.

21. Воробьёв О.Н., Курбанов Э.А., Демишева Е.Н., Меньшиков С.А., Али М.С., Смирнова Л.Н., Тарасова Л.В. Дистанционный мониторинг устойчивости лесных экосистем: монография // Йошкар-Ола: Поволжский государственный технологический университет. 2019а. 166 с.

22. Воробьёв О.Н., Курбанов Э.А., Полевщикова Ю.А., Лежнин. С.А. Пространственно-временной анализ динамики лесного покрова в Среднем Поволжье по спутниковым данным: монография // Йошкар-Ола: Поволжский государственный технологический университет. 2019б. 200 с.

23. Демаков Ю.П., Исаев А.В., Черных В.Л. Эколого-ресурсный потенциал древо-стоев лесообразующих пород Среднего Поволжья // Вестник Поволжского государственного технологического университета. Серия «Лес. Экология. Природопользование». 2014. Т. 24, № 4. С. 5-20.

24. Денисов С.А. Динамика формационной структуры березняков в связи с их онтогенезом в различных эдатопах в Среднем Поволжье // Вестник МарГТУ. Йошкар-Ола: Марийский государственный технический университет. Серия: Лес. Экология. Природопользование. 2009. № 3. С. 13-27.

25. Елсаков В.В., Кулюгина Е.Е. Растительный покров Югорского полуострова в условиях климатических изменений последних десятилетий // Исследование Земли из космоса. 2014. № 3. С. 65-77.

26. Елсаков В.В., Щанов В.М., Бирюкова В.С., Кулюгина Е.Е., Дубровский Ю.А. Изменения предгорных лесов бассейна р. Щугор по материалам спутниковой съёмки периода 1986-2016 гг.// Лесные экосистемы в условиях изменения климата: биологическая продуктивность и дистанционный мониторинг: сборник научных статей. [Электронный ресурс]. Йошкар-Ола: ПГТУ. 2016. № 2. С. 5156.

27. Жарко В.О., Барталев С.А. Оценка распознаваемости древесных пород леса на основе спутниковых данных о сезонных изменениях их спектрально отражательных характеристик // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11, № 3. С. 159-170.

28. Каба Р. Влияние минералогического состава на свойства красноцветных фер-сиаллитных почв Сирии // Автореферат диссертации на соискание учёной степени кандидата сельскохозяйственных наук, университет: ФГОУ В ПО РГАУ -МСХА им К А Тимирязева. Москва. 2008. 22 с.

29. Калинин К.К. Естественное лесовозобновление и формирование молодняков в еловых и березовых насаждениях на крупных гарях Среднего Заволжья // Вестник МарГТУ. Йошкар-Ола: Марийский государственный технический университет. Серия: Лес. Экология. Природопользование. 2010. № 1. С. 5-15.

30. Курбанов Э.А., Нуреева Т.В., Воробьёв О.Н., Губаев А.В., Лежнин С.А., Миф-тахов Т. Ф., и др. Дистанционный мониторинг динамики нарушений лесного покрова, лесовозобновления и лесовосстановления в Марийском Заволжье // Вестник МарГТУ. Йошкар-Ола: Марийский государственный технический университет. 2011. № 3. С. 17-24.

31. Курбанов Э.А., Воробьёв О.Н., Лежнин С.А. Оценка лесных гарей Чувашии методами дистанционного зондирования // Вестник ИрГСХА. 2013. № 54. С. 80-97.

32. Курбанов Э.А., Воробьёв О.Н., Губаев А.В., Лежнин С.А., Полевщикова Ю.А., Демишева Е.Н. Четыре десятилетия исследований лесов по снимкам Landsat // Вестник Поволжского государственного технологического университета. Сер.: Лес. Экология. Природопользование. 2014. Т. 21, № 1. С. 18-32.

33. Курбанов Э.А., Воробьёв О.Н., Лежнин С.А., Губаев А.В., Полевщикова Ю.А. Тематическое картирование растительного покрова по спутниковым снимкам: валидация и оценка точности: монография // Йошкар-Ола: Поволжский государственный технологический университет. 2015. 131 с.

34. Курбанов Э.А. Два десятилетия исследований растительного покрова по МODIS // Лесные экосистемы в условиях изменения климата: биологическая продуктивность и дистанционный мониторинг: сборник научных статей [Электронный ресурс]. Йошкар-Ола: ПГТУ. 2016. С. 123-132.

35. Курбанов Э.А., Воробьёв О.Н., Губаев А.В., Лежнин С.А., Полевщикова Ю.А. Оценка точности и сопоставимости тематических карт лесного покрова раз-

ного пространственного разрешения на примере Среднего Поволжья // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13, № 1. С. 36-48.

36. Курбанов Э.А., Воробьёв О.Н., Меньшиков С.А., Смирнова Л.Н. Распознавание лесных насаждений и доминирующих древесных пород Пензенской области по данным спутника Sentinel-2 // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15, № 5. С. 154-166.

37. Лупян Е.А., Савин И.Ю., Барталев, С.А. Толпин, В.А. Балашов, И.В. Плотников Д.Е. Спутниковый сервис мониторинга состояния растительности // Современные проблемы дистанционного зондирования Земли из космоса. М.: ИКИ РАН. 2011. Т. 8, № 1. С. 190-198.

38. Пахучий В.В., Пахучая Л.М., Поселянинов В.С. Оценка естественного возобновления леса на гарях в республике Коми // Безопасность жизнедеятельности. 2013. № S11. С. 21-24.

39. Пахучий В.В., Пахучая Л.М. Опыт использования вегетационных индексов при комплексных исследованиях на объектах гидролесомелиорации // Вестник Поволжского государственного технологического университета. Серия: Лес. Экология. Природопользование. 2014. № 1 (21). С. 33 -41.

40. Перепечина Ю.И., Глушенков О.И., Корсиков Р.С. Определение лесистости и количественных характеристик лесов по космическим снимкам Sentinel -2 (на примере Шебекинского муниципального района Белгородской обл.) // Лесохо-зяйственная информация: Всероссийский научно-исследовательский институт лесоводства и механизации лесного хозяйства. Пушкино. 2017. № 4. С. 85-93.

41. Рахматуллин З.З., Рахматуллина И.Р., Габделхаков А.К. Картографические методы исследований объектов природы. В сборнике: «Лесные экосистемы в условиях изменения климата: биологическая продуктивность и дистанционный мониторинг» / Международный сборник научных статей. Отв. ред. Э.А. Курбанов. Йошкар-Ола, 2018. С. 100-110.

42. Рожков Ю. Ф., Кондакова М. Ю. Оценка динамики восстановления лесов после пожаров в Олекминском Заповеднике (Россия) по космическим снимкам Landsat // Nature Conservation Research. Заповедная наука. 2019. Т. 1, № 4. С. 1-10.

43. Сирийская Арабская Республика. Лесной кодекс. 2018. № 6. 12 с.

44. Стыценко В. Ф., Барталев С.А., Иванова А.А., Лупян Е.А., Сычугов И.Г. Возможности оценки площадей лесных пожаров в регионах России на основе дан-

ных спутникового детектирования активного горения // Современные проблемы дистанционного зондирования Земли из космоса. М.: ИКИ РАН. 2016. Т. 13, № 6. С. 289-298.

45. Терехин Э.А. Анализ текстурных признаков земельных угодий по космическим снимкам Landsat TM // Землеустройство, кадастр и мониторинг земель. 2010. Т. 68, № 8. С. 47-52.

46. Терехин Э.А. Оценка нарушенности лесных экосистем юго -запада Среднерусской возвышенности с применением материалов космических съемок // Современные проблемы дистанционного зондирования Земли из космоса. М.: ИКИ РАН. 2017. Т. 14, № 4. С. 112-124.

47. Фомин В.В., Капралов Д.С., Терентьев М.М., Барова А.А., Устинов А.В., Цим-мерманн Н.Е. Пространственно-временная динамика верхней границы леса на Южном Урале во второй половине XX века // Геоинформатика. Всероссийский научно-исследовательский геологический нефтяной институт. 2007. № 1. С. 56-61.

48. Хлюстов В.К. Применение аэрофотограмметрических комплексов IDM200 (600) и VISION MAP A3 для инвентаризации и мониторинга лесов дистанционными методами зондирования Земли / Лесные экосистемы в условиях изменения климата: Биологическая продуктивность и дистанционный мониторинг. Материалы международной конференции. Йошкар-Ола 14-15 октября 2015 г. С. 19-30

49. Хуссейн А., Моваффак Д., Юсеф В. Национальный доклад о биологическом разнообразии генетических ресурсов для производства продовольствия и ведения сельского хозяйства в Сирийской Арабской Республике // Дамаск. 2016. С. 212. URL: http://www.fao.org/3/ca4785ar/ca4785ar.pdf

50. Черепанов А. С. Вегетационные индексы // Геоматика. 2011. № 2. С. 98-102.

51. Abdo H.G. Impacts of war in Syria on vegetation dynamics and erosion risks in Safita area, Tartous, Syria // Regional Environmental Change. 2018. 1707-1719.

52. Acuna M., Strandgard M. Impact of climate change on Australian forest operations //Australian Forestry. 2017. Vol. 80, №5. P. 299-308.

53. Al-Fares W. A Case Study of the Euphrates River Basin in Syria. In the book: Historical Land Use/Land Cover Classification Using Remote Sensing. 2013. P.1 -204.

54. Alkhaled E., Kassouha R. Monitoring changes in vegetation cover in the areas of agricultural stability of Syria using plant culture 2012-2000 for the time series NDVI / MODIS // Syrian Journal of Agricultural Research. 2016. Vol. 3, № 2. P. 188 -205.

55. Al-Mahmoud H. The War Economy in the Syrian Conflict [Electronic resource] / URL: http://carnegie.ru/2015/12/15/war-economy-in-syrian-conflict-government-s-hands-off-tactics-pub-62202 - 11.09. 2020.

56. Alsaleh R., Abouzakhem A., Shahawy M., Eaid E. Analysis of Seasonal and Annual Variations in Surface Air Temperature in Syria // Damascus University Journal for Agricultural Sciences. 2005. Vol. 21, №.1. P. 401-424.

57. Astola H., Hame T., Sirro L., Molinier M., Kilpi J. Comparison of Sentinel-2 and Landsat 8 imagery for forest variable prediction in boreal region // Remote Sensing of Environment. 2019. Vol. 223. P. 257-273.

58. Azar R., Villa P., Stroppiana D., Crema A., Boschetti M., Brivio P. A. Assessing in-season crop classification performance using satellite data: a test case in Northern Italy// European Journal of Remote Sensing. 2016. Vol. 49, №.1. P. 361-380.

59. Barakata A., Khellouk R., El Jazouli A., Touhami F., Nadem S. Monitoring of forest cover dynamics in eastern area of Beni-Mellal Province using ASTER and Sentinel-2A multispectral data // Geology, Ecology, and Landscapes. 2018. Vol. 2, №.3. P. 203-215.

60. Belgiua M., Csillik O. Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis // Remote Sensing of Environment. 2018. Vol. 204. P. 509-523.

61. Bhuyan U., Zang C., Vicente-Serrano S.M., Menzel A. Exploring Relationships among Tree-Ring Growth, Climate Variability, and Seasonal Leaf Activity on Varying Timescales and Spatial Resolutions // Remote Sensing. 2017. Vol. 9, №.6. P. 1-13.

62. Bleu P. State of the environment and development in the Mediterranean // United Nations Environment Programme / Mediterranean Action Plan (UNEP/MAP)-Plan Bleu, P.O. Box 18019 Athens, Greece. 2009. P. 1-204.

63. Boisvenue C., Smiley B.P., White J.C., Kurz W.A., Wulder M.A. Integration of Landsat time series and field plots for forest productivity estimates in decision support models // Forest Ecology and Management. 2016. Vol. 376. P. 284-297.

64. Cai S., Liu D., Sulla-Menashe D., Friedl M. A. Enhancing MODIS land cover product with a spatial-temporal modeling algorithm // Remote Sensing of Environment. 2014. Vol. 147. P. 243-255.

65. Cai W., Yang J., Liu Z., Hu Y., Weisberg P.J. Post-fire tree recruitment of a boreal larch forest in Northeast China // Forest Ecology and Management. 2013. Vol. 307. P. 20-29.

66. Calvao T., Palmeirim J.M. Mapping Mediterranean scrub with satellite imagery: biomass estimation and spectral behaviour // International journal of remote sensing. 2004. Vol. 25, №.16. P. 3113-3126.

67. Carmenta R., Parry L., Blackburn A., Vermeylen S., Barlow J. Understanding human-fire interactions in tropical forest regions: a case for interdisciplinary research across the natural and social sciences // Ecology and society. 2011. Vol. 16, №2.1. P. 1-22.

68. Caviglia-Harris J., Toomey M., Harris D.W., Mullan K., Bell A.R., Sills E.O., Roberts D.A. Detecting and interpreting secondary forest on an old Amazonian frontier // Journal of Land Use Science. 2015. Vol. 10, №.4. P. 442-465.

69. Chen D., Loboda T.V., Krylov A., Potapov P. Mapping post-disturbance stand age distribution in Siberian larch forest based on a novel method // American Geophysical Union, Fall Meeting. 2014. P. GC31B-0465.

70. Chen H., Hu Y., Chang Y., Bu R., Li Y., Liu M. Simulating impact of larch caterpillar (Dendrolimus superans) on fire regime and forest landscape in Da Hinggan Mountains, Northeast China // Chinese Geographical Science. 2011. Vol. 21, №.5. P. 575-586.

71. Chrysafis I., Mallinis G., Gitas I., Tsakiri-Strati M. Estimating Mediterranean forest parameters using multi seasonal Landsat 8 OLI imagery and an ensemble learning method // Remote Sens. Environ. 2017. Vol. 199. P. 154-166.

72. Chuvieco E. Fundamentals of satellite remote sensing: an environmental approach. Second Edition // Boca Raton, Florida, USA. 2016. P. 1 -468.

73. Clemens B., Tingju Z., Perrihan Al - R., Gerald N., Richard R. Global and Local Economic Impacts of Climate Change in Syria and Options for Adaptation // IFPRI Discussion Paper. 2011. Vol. 1091. P. 1-54.

74. Copernicus scientific data hub [Electronic resource]. - URL: https://scihub.coperni-cus.eu/

75. Cutler M.E.J., Boyd D.S., Foody G.M., Vetrivel A. Estimating tropical forest biomass with a combination of SAR image texture and Landsat TM data: An Assessment of Predictions Between Regions // ISPRS Journal of Photogrammetry and Remote Sensing. 2012. Vol. 70. P. 66-77.

76. Dayoub F.M. The contribution of remote sensing techniques and geographic information systems to the forest organization and management plan: The Prophet Matta Reserve: Tartous // A scientific thesis prepared for a PhD. HaTaKHa. 2014. P. 1-272.

77. De Groot W.J., Cantin A.S., Flannigan M.D., Soja A.J., Gowman L.M., Newbery A. A comparison of Canadian and Russian boreal forest fire regimes // Forest Ecology and Management. 2012. Vol. 294. P. 23 - 34.

78. Delbart N., Le Toan T., Kergoat L., Fedotova V. Remote sensing of spring phenology in boreal regions: A free of snow-effect method using NOAA-AVHRR and SPOT-VGT data (1982-2004) // Remote Sensing of Environment. 2006. Vol. 101. P. 52 - 62.

79. Didan K., Munoz A.B., Solano R., Huete A. MODIS Vegetation Index User's Guide (MOD13 Series) / Vegetation Index and Phenology Lab. The University of Arizona. 2015. Vol. 3, №. 6. P. 1 - 32.

80. Droin A., Sobe C., Stanzel L., Sulzer W. Vegetation Mapping of Mountainous Areas Using Sentinel-2 Satellite Imagery, Schneealpe, Steiermark // Grazer Schriften der Geographie und Raumforschung. 2018. Vol. 48. P. 103 - 110.

81. Earsel. Disaster Management and Emergency Response in the Mediterranean Region. In: OLUIC, M., ed. 1st International Conference on Remote Sensing Techniques in Disaster Management and Emergency Response in the Mediterranean Region, Croatia. European Association of Remote Sensing Laboratories (EARSEL). -2008.

82. Eckert S., Hüsler F., Liniger H., Hodel E. Trend analysis of MODIS NDVI time series for detecting land degradation and regeneration in Mongolia // Journal of Arid Environments. 2015. Vol. 113. P. 16 - 28.

83. Eisfelder C., Krausa T. Towards automated forest-type mapping - a service within GSE Forest Monitoring based on SPOT-5 and IKONOS data // International Journal of Remote Sensing. 2011. Vol. 30, №.19. P. 5015 - 5038.

84. ESA Introducing Sentinel-2. URL: http://www.esa.int/Our_Activities/Observ-ing_the_Earth/Copernicus/Sentinel-2/Introducing_Sentinel-2

85. Esteban J., McRoberts R., Fernandez-Landa A., Tomé J., Nœsset E. Estimating Forest Volume and Biomass and Their Changes Using Random Forests and Remotely Sensed Data // Remote Sensing. 2019. Vol. 11, №.16. P. 1 - 21.

86. Etteieb S., Louhaichi M., Kalaitzidis C., Gitas I. Z. Mediterranean forest mapping using hyperspectral satellite Imagery // Arabian Journal of Geosciences. 2013. Vol. 6. P. 5017 - 5032.

87. FAO. Fire management global assessment 2006 // Thematic study prepared in the frame-work of the Global Forest Resources Assessment 2005. Rome. 2007. №.151. P. 1 - 136.

88. FAO. Global Forest Resources Assessment 2010 - Main report // Food and Agriculture Organization of the United Nations (FAO) Forestry Paper. Rome, Italia. 2010. Vol. 163. P.1-378

89. FAO. State of Mediterranean Forests (So FMF) // Arid Zone Forests and Forestry Working Paper Rome, Italy. 2013. №.1. P. 1 - 25.

90. FAO. Syrian Arab Republic. Irrigation in the Middle East region in figures // Aquastat Survey. 2008. P. 1 - 16.

91. FAO. The state of food security and nutrition in the world: Safeguarding against economic slowdowns and downturns // Food and Agriculture Organization of the United Nations, Rome. 2019. P. 1 - 239.

92. FAO. The State of the World's Forests 2018. Forest pathways to sustainable development, Rome. 2018. P. 1 - 118.

93. FAO. WFP crop and food security assessment mission to the Syrian Arab Republic, Rome. 2016. P. 1 - 91.

94. Faour G., Meslmani Y., Fayad A. Climate-Change Atlas of Syria // Technical Report. 2010. P. 1 - 103.

95. Fassnacht F.E., Latifi H., Sterenczak K., Modzelewska A., Lefsky M., Waser L.T., Straub C., Ghosh A. Review of studies on tree species classification from remotely sensed data // Remote Sensing of Environment. 2016. Vol. 186. P. 64 - 87.

96. Fernández-García V., Quintano C., Taboada A., Marcos E., Calvo L., Fernández -Manso A. Remote Sensing Applied to the Study of Fire Regime Attributes and Their Influence on Post-Fire Greenness Recovery in Pine Ecosystems // Remote Sens. 2018. Vol. 10, №.5. P. 1 - 19.

97. Fernandez-Manso A., Quintano C., Roberts D.A. Burn severity influence on post-fire vegetation cover resilience from Landsat MESMA fraction images time series in Mediterranean forest ecosystems // Remote Sensing of Environment. 2016. Vol. 184. P. 112 - 123.

98. Filipponi F. BAIS2: Burned Area Index for Sentinel-2 // Proceedings. 2018. Vol. 2, №. 364. P. 1 - 7.

99. Flannigan M., Amiro B., Logan K., Stocks B., Wotton B. Forest fires and climate change in the 21 st century // Mitigation and Adaptation Strategies for Global Change. 2006. Vol. 11. P. 847 - 859.

100. Forkuor G., Dimobe K., Serme I., Tondoh J. E. Landsat-8 vs. Sentinel-2: examining the added value of sentinel-2's red-edge bands to land-use and land-cover mapping in Burkina Faso // GIScience & Remote Sensing. 2017. P. 1 - 24.

101. Frampton W.J., Dash J., Watmough G., Milton E.J. Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation // ISPRS Journal of photogrammetry and remote sensing. 2013. Vol. 82. P. 83 -92.

102. Franklin S.E., Wulder M.A. Remote sensing methods in medium spatial resolution satellite data land cover classification of large areas. 2002. №.26. P. 173 -205.

103. Frazier R.J., Coopsa N.C., Wulderb M.A., Hermosillaa T., Whiteb J.C. Analysing spatial and temporal variability in short-term rates of post-fire vegetation return from Landsat time series // Remote Sensing of Environment. 2018. Vol. 205. P. 32 -45.

104. French N.H.F., Kasischke S., Hall R.J. Using Landsat data to assess fire and burn severity in the North American boreal forest region: an overview and summary of results // International Journal of Wildland Fire. 2008. Vol. 17. P. 443 -462.

105. Galidaki G., Gitas I. Mediterranean forest species mapping using classification of Hyperion imagery // Geocarto International. 2015. Vol. 30, №.1. P. 48 - 61.

106. Galos B., Hagemann S., Hansler A., Kindermann G., Rechid D., Sieck K., Teichmann C., Jacob D. Case study for the assessment of the biogeophysical effects of a potential afforestation in Europe // Carbon Balance and Management. 2013, Vol.

8(1), 3.

107. Garavaglia V., Besacier C. The state of Mediterranean forests in 2013// Dynamic for Mediterranean forests. Food and Agriculture Organization of the United Nations an international journal of forestry and forest industries, Unasylva. 2014. Vol. 65. P. 1 -80.

108. Gauquelin T., Michon G., Joffre R., Duponnois R., Genin D., Fady B., et al. Mediterranean forests, land use and climate change: a social-ecological perspective // Regional Environmental Change, 2018. №.2. P. 623 -636.

109. Ghobadi G.J., Gholizadeh B., Dashliburun O.M. Forest fire risk zone mapping from geographic information in northern forests of Iran (Case study, Golestan province) // International Journal of Agriculture and Crop Sciences. 2012. Vol. 4, №.18. P. 818 - 824.

110. Giorgi F., Lionello P. Climate change projections for the Mediterranean region // Global and Planetary Change. 2008. Vol. 63, №. (2-3). P. 90 - 104.

111. Gomariz-Castillo F., Alonso-Sarria F., Canovas-Garcia F. Improving Classification Accuracy of Multi-Temporal Landsat Images by Assessing the Use of Different Algorithms, Textural and Ancillary Information for a Mediterranean Semiarid Area from 2000 to 2015 // Remote Sensing. 2017. Vol. 9, №. 1058. P. 1 - 23.

112. Gómez V.P., Medina V.D.B., Bengoa J.L., Garcia D.A.N. Accuracy assessment of a 122 classes land cover map based on Sentinel-2, Landsat 8 and Deimos-1 images and ancillary data // IGARSS. 2018. №. 12. P. 5457 - 5460.

113. Gon5alves A.C., Sousa A. The Fire in the Mediterranean Region: A Case Study of Forest Fires in Portugal // Mediterranean Identities - Environment, Society, Culture. 2017. №. 13. P. 305 - 335.

114. Grabska E., Hostert P., Pflugmacher D., Ostapowicz K. Forest Stand Species Mapping Using the Sentinel-2 Time Series // Remote Sens. 2019. Vol. 11, №.10. P.1-24.

115. Haapanen R., Ek A.R., Bauer M.E., Finley A.O. Delineation of forest/non forest land use classes using nearest neighbor methods // Remote Sensing of Environment. 2004. Vol. 89, №. 3. P. 265 - 271.

116. Hall R.J., Freeburn J., Groot W.J.D, Pritchard J.M., Landry R., Lynham T.J. Remote sensing of burn severity: Experience from western Canada boreal fires // International Journal of Wildland Fire. 2008. Vol. 17, №. 4. P. 476 - 489.

117. Hansen M.C., Loveland T.R. A review of large area monitoring of land cover change using Landsat data // Remote Sensing of Environment. 2012. Vol.122. P. 66 - 74.

118. Hansen M.C., Egorov A., Potapov P.V., Stehman S.V., Tyukavina A., Turubanova S.A. et al. Monitoring conterminous United States (CONUS) land cover change with Web-Enabled Landsat Data (WELD) // Remote Sensing of Environment. 2014. Vol. 140. P. 466 - 484.

119. Hart S.J., Veblen T.T., Mietkiewicz N., Kulakowski D. Negative Feedbacks on Bark Beetle Outbreaks: Widespread and Severe Spruce Beetle Infestation Restricts Subsequent Infestation // PLOS ONE. 2015. Vol. 10(5). P. 1 - 16.

120. Helman D., Lensky I. M., Tessler N., Osem Y. A Phenology-Based Method for Monitoring Woody and Herbaceous Vegetation in Mediterranean Forests from NDVI Time Series // Remote Sensing. 2015. Vol. 7. P. 12314 - 12335.

121. Hepinstall-Cymerman J., Coe S., Alberti M. Using Urban Landscape Trajectories to Develop a Multi-Temporal Land Cover Database to Support Ecological Modelling // Remote Sensing. 2009. Vol. 1, №. 4. P. 1353 - 1379.

122. Hermosilla T., Wulderb M. A., Whiteb J. C., Coopsa N. C., Hobart G. W. Updating Landsat time series of surface-reflectance composites and forest change products with new observations // International Journal of Applied Earth Observation Geoin-formation. 2017. Vol. 63. P. 104 - 111.

123. Hill J., Mehl W., Altherr M. Land degradation and soil erosion mapping in a Mediterranean ecosystem //Imaging spectrometry - a tool for environmental observations. Euro courses: Remote Sensing. 1994. P. 237 - 260.

112

124. Hill M.J. Vegetation index suites as indicators of vegetation state in grassland and savannah: An analysis with simulated Sentinel 2 data for a North American transect // Remote sensing of environment. 2013. Vol. 137. P. 94 - 111.

125. Hislop S., Jones S., Berelov M.S., Skidmore A.K., Haywood A., Nguyen T.H., et al. Using Landsat Spectral Indices in Time-Series to Assess Wildfire Disturbance and Recovery // Remote Sensing. 2018. Vol. 10, №. 3. P. 1-17.

126. Hua L., Zhang X., Chen X., Yin K., Tang L. A feature-based approach of decision tree classification to map time series urban Land Use and Land Cover with Landsat 5 TM and Landsat 8 OLI in a coastal city, China // International Journal of Geo-Information. 2017. Vol. 6, № 11. P. 1-18.

127. Huang H., Roy D.P., Boschetti L., Zhang H.K., Yan L., Kumar S.S., et al. Separability analysis of Sentinel-2A multi-spectral instrument (MSI) data for burned area discrimination // Remote Sensing. 2016. Vol. 8, № 10. 873.

128. Hussein S.O., Kovacs F., Tobak Z. Spatiotemporal assessment of vegetation indices and land cover for erbil city and its surrounding using Modis imageries // Journal of Environmental Geography. 2017. Vol. 10, №. (1 -2). P. 31 - 39.

129. Huttich C., Gessner U., Herold M., Strohbach B., Schmidt M., Keil M., Dech S. On the suitability of MODIS time series metrics to map vegetation types in dry savanna ecosystems: a case study in the Kalahari of NE Namibia // Remote Sensing. 2009. Vol. 1. P. 620 - 643.

130. Immitzer M., Vuolo F., Atzberger C. First experience with Sentinel-2 data for crops and tree species classifications in central Europe // Remote Sensing. 2016. Vol. 8 (166). P. 1 - 27.

131. Inglada J., Vincent A., Arias M., Tardy B., Morin D. Rodes I. Operational high resolution land cover map production at the country scale using satellite image time series // Remote Sensing. 2017. Vol. 9, № 1. P. 1 - 35.

132. Initial National Communication of the Syrian Arab Republic. Assessing the sensitivity of the forestry sector in Syria to climate change / United Nation Development Programme (UNDP) / [Electronic resource] 2010. 150 P. https://unfccc.int/sites/de-fault/files/resource/Syria_Initial%20National%20Communication.pdf

133. IPCC. Climate Change 2007: Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press, Cambridge, UK. 2007. P. 1 - 976.

134. IPCC. Intergovernmental Panel on Climate Change [Electronic resource]. 2014. Url: http://www.ipcc.ch/ 05.02.2015.

135. Jin J., Wang Y., Jiang H., Cheng M. Recent NDVI-Based Variation in Growth of Boreal Intact Forest Landscapes and Its Correlation with Climatic Variables // Sus-tainability. 2016.

136. Jin Y., Randerson J.T., Goetz S.J., Beck P.S.A., Loranty M.M., Goulden M.L. The influence of burn severity on post fire vegetation recovery and albedo change during early succession in North American boreal forests // Journal of Geophysical Research. 2012. Vol. 117. P. 1 - 15. G01036.

137. Justice C.O., Giglio L., Roy D., Boschetti L., Csiszar I., Davies D., et al. MODIS-Derived Global Fire Products // Land Remote Sensing and Global Environmental Change. 2011. Vol. 11. P. 661 - 679.

138. Jwan A., Shattri B.M., Mohd Shafri H.Z. Image Classification in Remote Sensing // Journal of Environment and Earth Science. 2013. Vol. 3, №. 10. P. 141 - 147.

139. Kane V.R., Lutz J.A., Cansler C.A., Povak N.A., Churchill D.J., Smith D.F., et al. Water balance and topography predict fire and forest structure patterns // Forest Ecology and Management. 2015. Vol. 338. P. 1 - 13.

140. Karasiak N., Sheeren D., Fauvel M., Willm J., Dejoux J.F., Monteil C. Mapping tree species of forests in southwest France using Sentinel-2 image time series // 9th International Workshop on the Analysis of Multitemporal Remote Sensing Images (MultiTemp), Brugge. 2017. P. 1 - 4.

141. Kasischke E. S., Verbyla D. L., Rupp T. S., McGuire A. D., Murphy K. A., Jandt R., et al. Alaskas changing fire regime --implications for the vulnerability of its boreal forests // Canadian Journal of Forest Research. 2010. Vol. 40. P. 1313 - 1324.

142. Kelleya C.P., Mohtadib S., Canec M.A., Seagerc R., Kushnirc Y. Climate change in the Fertile Crescent and implications of the recent Syrian drought // PNAS. 2015. Vol. 112, №.112. P. 3241 - 3246.

143. Kim D-H., Sexton J.O., Noojipady P., Huang C., Anand A., Channan S., et al. Global, Landsat-based forest-cover change from 1990 to 2000 // Remote Sensing of Environment. 2014. Vol. 155. P. 178 - 193.

144. Kotivuori E., Korhonen L., Packalen P. Nationwide airborne laser scanning based models for volume, biomass and dominant height in Finland // Silva Fennica. 2016. Vol. 50, №. 4. P. 1 - 28. ID 1567.

145. Krankina O.N., Pflugmacher D., Hayes D.J., McGuire A.D., Hansen M.C., Hame T., et al. Vegetation Cover in the Eurasian Arctic: Distribution, Monitoring, and Role in Carbon Cycling / Eurasian Arctic Land Cover and Land Use in a Changing Climate. Chapter 5. 2011. P. 79 - 108.

146. Krylov A., McCarty J.L., Potapov P., Loboda T., Tyukavina A., Turubanova S., Hansen M. Remote sensing estimates of stand-replacement fires in Russia, 20022011 // Environmental research letter. 2014. Vol. 9. P. 1 - 8.

147. Kupkova, L. Cervena, L. Sucha, R. Jakesova J. Classification of tundra vegetation in the Krkonose Mts. National Park using APEX, AISA Dual and Sentinel-2A data // European Journal of Remote Sensing. 2017. Vol. 50. P. 29 - 46.

148. Kurbanov E., Vorobyev O., Leznina S., Polevshikova Y., Demisheva E. Assessment of burn severity in Middle Povozhje with Landsat multi-temporal data // International Journal of Wildland Fire. 2017. Vol. 26, № 9. P. 772 - 782.

149. Kurbanov E.A., Vorobev O.N., Menshikov S.A., Ali M.S. Tree species classification with Sentinel-2 data in European part of Russia // Earth observation advancements in a changing world. 2019. Vol. 1. Pp. 33 -36.

150. Kurbanov E., Vorobiev O., Sha J., Li X., Gitas I., Minakou C., Gabdelkhakov A., Martynova M. A survey on the use of GIS and remote sensing for sustainable forestry and ecology in Russia and China // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. №5. С. 9-20.

151. Lasaponara R., Tucci B., Ghermandi L. On the use of satellite Sentinel 2 data for automatic mapping of burnt areas and burn severity // Sustainability. 2018. Vol.10, № 11. P. 1 - 13. DI.3889.

152. Lattakia agriculture directorate. Forest Fire Management Plan / 2018. Lattakia. 2018. P. 1- 48.

153. Laurin G.V., Puletti N., Hawthorne W., Liesenberg V., Corona P., Papale D., et al. Discrimination of tropical forest types, dominant species, and mapping of functional guilds by hyperspectral and simulated multispectral Sentinel-2 data // Remote Sensing of Environment. 2016. Vol. 176. P. 163 - 176.

154. Legend of the global CCI-LC maps, based on LCCS [Electronic resource]. - URL: https://maps.elie.ucl.ac.be/CCI/viewer/ 25.07.2020

155. Leinenkugel P., Kuenzer C., Oppelt N., Dech S. Characterisation of land surface phenology and land cover based on moderate resolution satellite data in cloud prone areas: a novel product for the Mekong basin // Remote Sensing of Environment. 2013. Vol. 136. P. 180 - 198.

156. Lentile L.B., Holden Z.A., Smith A.M.S., Falkowski M.J., Hudak A., Lewis S.A. Remote sensing techniques to assess active fire characteristics and post-fire effects // International Journal of Wildland Fire. 2006. Vol. 15. P. 319 - 345.

157. Leon J.R.R., Leeuwen V.W.J.D., Casady G.M. Using MODIS-NDVI for the Modeling of Post-Wildfire Vegetation Response as a Function of Environmental Conditions and Pre-Fire Restoration Treatments // Remote Sensing. 2012. Vol.4, № 3. P. 598 - 621.

158. Lindner M., Maroschek M., Netherer S., Kremer A., Barbati A. Climate change impacts, adaptive capacity, and vulnerability of European forest ecosystems // Forest Ecology and Management. 2010. Vol. 259, № 4. P. 698 - 709.

159. Liu K., Shi W., Zhang H. A fuzzy topology-based maximum likelihood classification // ISPRS Journal of Photogrammetry and Remote Sensing. 2011. Vol.66, № 1. P. 103 - 114.

160. Liu S., Wei X., Li D., Lu D. Examining Forest Disturbance and Recovery in the Subtropical Forest Region of Zhejiang Province Using Landsat Time-Series Data // Remote Sensing. 2017. Vol.9, № 5. P. 1 - 16.

161. Liu Y., Gong W., Hu X., Gong J. Forest Type Identification with Random Forest Using Sentinel-1A, Sentinel-2A, Multi-Temporal Landsat-8 and DEM Data // Remote Sensing. 2018. Vol.10, № 6. P. 1 - 25.

162. Liu Y., Liu Y., Guo L., Lu S. Spatial-temporal Patterns of Land-use Change in Typical Transect Area Along China National Highway 106 During 1996-2008 // Journal of Northeast Agricultural University. 2011. Vol. 18, №.3. P. 39 - 46.

163. Loboda T., Krankina O., Savin I., Kurbanov E., Joanne H. Land Management and the Impact of the 2010 Extreme Drought Event on the Agricultural and Ecological Systems of European Russia. Land-Cover and Land-Use Changes in Eastern Europe after the Collapse of the Soviet Union in 1991 / Eds. Gutman G., Volker R. // Springer International Publishing. 2017. Pp. 173 - 192.

164. Loboda T.V., French N.H. F., Hight H. C., Jenkins L. K., Miller M.E. Mapping fire extent and burn severity in Alaskan tussock tundra: An analysis of the spectral response of tundra vegetation to wildland fire // Remote Sensing of Environment. 2013. Vol.134. P. 194 - 209.

165. Lopatin E., Alexeyev A. Russian Federation forest resources assessment based on free medium resolution remote sensing data // International forestry review. 2014. Vol.16, № 5. Pp. 206 - 207.

166. Lu D., Li G., Moran E., Dutra L., Batistella M. The roles of textural images in improving land cover classification in the Brazilian Amazon // International Journal of Remote Sensing. 2014. Vol. 35. P. 8188 - 8207.

167. Mahfoud I., Ali M., Marouf Y. Using remote sensing and GIS technologies to map forest fire danger in Lattakia governorate (Syria) // American Journal of Innovative Research and Applied Sciences. 2017. Vol. 5, № 1. P. 69 - 75.

168. Martini G. Vegetation: The Mediterranean Forests of Coastal Mountains. Faculty of Agriculture. Aleppo University. 2007.

169. McCarley T.R., Kolden C.A., Vaillant N.M., Hudak A.T., Smith A.M.S., Wing B.M. Multitemporal LiDAR and Landsat quantification of fire-induced changes to forest structure // Remote Sensing of Environment. 2017. Vol. 191. P. 419- 432.

170. McKinnon T., Hoff P. Comparing RGB-Based Vegetation Indices with NDVI for Agricultural Drone Imagery // RGB Vegetation Indices, Agribotix, LLC. Agribotix LLC, 3309 Airport Road, Boulder, CO 80301 USA. 2017. P. 1 - 8.

171. MedECC. Climate-related risks and environmental changes in the Mediterranean region: Initial assessment by the expert network on climate and environmental changes in the Mediterranean region 2019. 2019. P. 1 - 36.

172. Meng R., Wu J., Schwager K.L., Zhao F., Dennison P.E., Cook B.D., et al. Using high spatial resolution satellite imagery to map forest burn severity across spatial scales in a Pine Barrens ecosystem // Remote Sensing of Environment. 2017. Vol. 191. P. 95- 109.

173. Mercier A., Betbeder J., Rumiano F., Baudry J., Gond V. Blanc L., et al. Evaluation of Sentinel-1 and 2 Time Series for Land Cover Classification of Forest-Agriculture Mosaics in Temperate and Tropical Landscapes // Remote Sensing. 2019. Vol. 11, № 8. P. 1- 20.

174. Mertes C.M., Schneider A., Sulla-Menashe D., Tatem A.J., Tan B. Detecting change in urban areas at continental scales with MODIS data // Remote Sensing of Environment. 2015. Vol. 158. P. 331- 347.

175. Mertol E., Tugrul V., Azize K.T., Halil O.B. The relationship between climate change and forest disturbance in Turkey // Fresenius Environmental Bulletin. 2017. P. 3728- 3732.

176. Meyer L.H., Heurich M., Beudert B., Premier J., Pflugmacher D. Comparison of Landsat-8 and Sentinel-2 data for estimation of leaf area index in temperate forests // Remote Sensing. 2019. Vol. 11, № 10. P. 1- 16. ID: 1160.

177. Ministry of Local Administration and Environment. Fifth national report of the Convention on Biological Diversity. Damascus. 2016. - P. 1- 90.

178. Ministry of Local Administration and Environment. Forest fires are an environmental disaster. Watan Yasmeen. 2015. №. 60. P. 1- 8.

179. Ministry of Local Administration and Environment. The current situation of natural resources in Syria. Syrian Arab Republic. - 2016. http://www.mola.gov.sy/mola/in-dex.php/legislation/461-

180. Ministry of Local Administration and Environment. The third national report on the implementation of the Convention on Biological Diversity. Syrian Arab Republic. 2006. P. 1- 178.

181. Mirco B., Daniela S., Pietro A. Mapping Burned Areas in a Mediterranean Environment Using Soft Integration of Spectral Indices from High-Resolution Satellite Images // Earth Interactions. Institute for Electromagnetic Sensing of the Environment, National Research Council (CNR), Milan, Italy. 2010. Vol. 14, №17. P. 1-20.

182. Mirici M.E., Berberoglu S., Akin A., Satir O. Land use/cover change modelling in a Mediterranean rural landscape using multi-layer perceptron and Markov chain // Applied Ecology and Environmental Research. 2017. Vol. 16, № 1. P. 467- 486.

183. Mohamed M.A., Anders J. Schneider C. Monitoring of Changes in Land Use/Land Cover in Syria from 2010 to 2018 Using Multitemporal Landsat Imagery and GIS // Land. 2020. Vol. 9. P. 1 - 30.

184. Mohammady M., Moradi H.R., Zeinivand H., Temme A.J.A.M. A comparison of supervised, unsupervised and synthetic land use classification methods in the north of Iran // International Journal of Environmental Science and Technology. 2015. Vol. 12. P. 1515 - 1526.

185. Mountrakis G. Support vector machines in remote sensing: A review // ISPRS Journal of Photogrammetry and Remote Sensing. 2011. Vol. 66, № 3. P. 247- 259.

186. Mulder V.L., Bruin S.D, Schaepman M.E., Mayr T.R. The use of remote sensing in soil and terrain mapping-A review // Geoderma. 2011. Vol. 162, № (1-2). P. 1- 19.

187. Nguyen T.H., Berelov M.S., Jones S., Haywood A. Mapping forest disturbance and recovery for forest dynamics over large areas using Landsat time-series remote sensing // Remote Sensing for Agriculture, Ecosystems, and Hydrology XIX, 104210W, At Warsaw, Poland. 2017. P. 1- 12.

188. Nguyen T.H., Jones S.D., Berelov M.S., Haywood A.S., Hislop S.A. Spatial and temporal analysis of forest dynamics using Landsat time-series // Remote Sensing of Environment. 2018. Vol. 217. P. 461- 475.

189. Noi P.T., Kappas M. Comparison of Random Forest, k-Nearest Neighbor, and Support Vector Machine Classifiers for Land Cover Classification Using Sentinel-2 Imagery // Sensors.2017. Vol.18, № 1. P.1- 20.

190. Nouri H., Beecham S., Anderson S., Nagler P. High Spatial Resolution WorldView-2 Imagery for Mapping NDVI and its relation-ship to temporal urban landscape evapotranspiration factors // Remote Sensing. 2014. Vol.6, № 1. P.580- 602.

191. Ozturk M., Palta §., Gokyer E. Advances in the Assessment of Climate Change Impact on the Forest Landscape // Environmental Scienc e. 2018. №.13. P. 167 - 185.

192. Packalen P., Vauhkonen J., Kallio E., Peuhkurinen J., Pitkanen J., Pippuri I., et al. Predicting the spatial pattern of trees by airborne laser scanning // International Journal of Remote Sensing. 2013. Vol.34, № 14. P.5154- 5165.

193. Pal M., Mather P.M. An Assessment of the effectiveness of decision tree methods for land cover classification // Remote sensing of environment. 2003. Vol. 86, № 4. P.554- 565.

194. Pelletier C., Valero S., Ingladaa J., Champion N., Dedieu G. Assessing the robustness of Random Forests to map land cover with high resolution satellite image time series over large areas // Remote Sensing of Environment. 2016. Vol.187. P.156- 168.

195. Pepe M., Parente C. Burned area recognition by change detection analysis using images derived from Sentinel-2 satellite: the case study of Sorrento Peninsula, Italy // Journal of Applied Engineering Science. 2018. Vol.16, №2. P.225- 232.

196. Person M., Lindberg E., Reese H. Tree species classification using multi-temporal Sentinel-2 data // Remote Sensing. 2018. Vol.10. P.1- 17.

197. Pignatti S., Cavalli R.M., Cuomo V., Fusilli L., Pascucci S., Poscolieri M., Santini F. Evaluating Hyperion capability for land cover mapping in a fragmented ecosystem: Pollino National Park, Italy // Remote Sensing of Environment. 2009. Vol.113, №3. P. 622- 634.

198. Pouteau R., Gillespie T.W., Birnbaum P. Predicting Tropical Tree Species Richness from Normalized Difference Vegetation Index Time Series: The Devil Is Perhaps Not in the Detail // Remote Sensing. 2018. Vol.10, №5. P.1- 15.

199. Puletti N., Chianucci F., Castaldi C. Use of Sentinel-2 for forest classification in Mediterranean environments // Annals of silvicultural research. 2018. Vol.42, №1. P.32- 38.

200. Quintero N., Viedma O., Urbieta I. R., Moreno J. M. Assessing Landscape Fire Hazard by Multitemporal Automatic Classification of Landsat Time Series Using the Google Earth Engine in West-Central Spain // Forests. 2019. Vol.10. P.1-30.

201. Rasanen A., Elsakov V., Virtanen T. Usability of one-class classification in mapping and detecting changes in bare peat surfaces in the tundra // International Journal of Remote Sensing. 2019. Vol. 40, №.11. P. 4083 - 4103.

119

202. Razali S.M., Nuruddin A.A., Malek I.A., Patah N.A. Forest fire hazard rating assessment in peat swamp forest using Landsat thematic mapper image // Remote Sensing. 2010. Vol. 4, №.1. 043531.

203. Reddy S.C., Jha C.S., Dadhwal V.K. Assessment and monitoring of long-term forest cover changes in Odisha, India using remote sensing and GIS // Environmental Monitoring Assessment. 2013. Vol. 185. P. 4399 - 4415.

204. Ruiz J.A.M., Riaño D., Arbelo M., French N.H.F., Ustin S.L., Whiting M.L. Burned area mapping time series in Canada (1984-1999) from NOAA-AVHRR LTDR: A comparison with other remote sensing products and fire perimeters // Remote Sensing of Environment. 2012. Vol. 117. P. 407 - 414.

205. Rujoiu-Mare M.R., Olariu B., Mihai B.A., Nistor C., Savulescu I. Land cover classification in Romanian Carpathians and Subcarpathians using multi-date Sentinel-2 remote sensing imagery // European Journal of Remote Sensing. 2017. Vol. 50. P. 496 - 508.

206. Rustad L., Campbell J., Dukes J. S., Huntington T., Lambert K. F., Mohan J., Ro-denhouse N. Changing Climate, Changing Forests: The Impacts of Climate Change on Forests of the Northeastern United States and Eastern Canada // United States Department of Agriculture. 2014. P. 1 - 56.

207. Sánchez Y.S., Martínez-Graña A., Francés F.S., Picado M.M. Mapping Wildfire Ignition Probability Using Sentinel 2 and LiDAR (Jerte Valley, Cáceres, Spain) // Sensors. 2018. Vol. 18. №.3. P. 1 - 18.

208. San-Miguel-Ayanz J., Durrant T., Boca R., Libertá G., Boccacci F., Di Leo M., et al. Forest Fires in Europe, Middle East and North Africa 2015// Joint report of JRC and Directorate-General Environment European Union. 2016. P. 1 - 122.

209. Santi E., Paloscia S., Pettinato S., Fontanelli G., Mura M., Zolli C., Maselli F., et al. The potential of multifrequency SAR images for estimating forest biomass in Mediterranean areas // Remote Sensing of Environment. 2017. Vol. 200. P. 63 - 73.

210. Schroeder T.A., Healey S.P., Moisen G.G., Frescinoa T.S., Cohenb W.B., Huang C., et al. Improving estimates of forest disturbance by combining observations from Landsat time series with U.S. Forest Service Forest Inventory and Analysis data // Remote Sensing of Environment. 2014. Vol. 154. P. 61 - 73.

211. Seetharaman K., Palanivel N. Texture characterization, representation, description, and classification based on full range Gaussian Markov random field model with Bayesian approach // International Journal of Image and Data Fusion. 2013. Vol. 4. P.342 - 362.

212. Seidl R., Fernandes P.M., Fonseca T.F., Gillet F., Jonsson A., Merganicova K., et al. Modelling natural disturbances in forest ecosystems: a review // Ecological Modelling. 2011. Vol. 222. P. 903 - 924.

213. Seidl R., Thom D., Kautz M., Martin-Benito D., Peltoniemi M., Vacchiano G., et al. Forest disturbances under climate change // Nature climate change. 2017. Vol. 7. P. 395 - 402.

214. Shalabi M.N. Forest natural vegetation, pastoral, its qualitative and socio-vegetable components. In the vegetation and save the soil // Publications of the University of Aleppo. 1997. P. 1 - 341.

215. Sheeren D., Fauvel M., Josipovic V., Lopes M., Planque C., Willm J., et al. Tree Species Classification in Temperate Forests Using Formosat-2 Satellite Image Time Series // Remote Sensing. 2016. Vol. 8, №.9. P. 1 - 29.

216. Sheffield J., Wood E.F. Projected changes in drought occurrence under future global warming from multi-model, multi-scenario, IPCC AR4 simulations // Climate Dynamics. 2008. Vol. 31, №.1. P. 79 - 105.

217. Somot S., Sevault F., Déqué M., Crépon M. 21st century clima te change scenario for the Mediterranean using a coupled atmosphere-ocean regional climate model // Global and Planetary Change. 2008. Vol. 63, №. (2-3). P. 112 - 126.

218. Soverel N.O., Coops N.C., Perrakis D.D.B., Daniels L.D., Gergel S.E. The transferability of a dNBR-derived model to predict burn severity across 10 wildland fires in western Canada // International Journal of Wildland Fire. 2011. Vol. 20. P. 518 -531.

219. Soverel N.O., Perrakis D.D.B., Coops N.C. Estimating burn severity from Landsat dNBR and RdNBR indices across western Canada // Remote Sensing of Environment. 2010. Vol. 114, №. 9. P. 1896 - 1909.

220. Srimani P.K., Prasad S.N. Decision tree classification model for land use and land cover mapping - a case study // International Journal of Current Research. 2012. Vol. 4, №. 5. P. 177 - 181.

221. SRTM 1 Arc-Second Global (Digital Object Identifier (DOI) number: /10.5066/F7PR7TFT)

222. Susaeta A., Carter D. R., Adams D.C. Impacts of Climate Change on Economics of Forestry and Adaptation Strategies in the Southern United States // Journal of Agricultural and Applied Economics. 2014. Vol. 46, №. 2. P. 257 - 272.

223. Syrian Arab Republic. Document of nationally determined contributions under the Paris Climate Agreement. 2018. P. 1 - 16.

224. Tao X., Huang C. Zhao F, Schleeweis K., Masek J., Liang S. Mapping forest disturbance intensity in North and South Carolina using annual Landsat observations and field inventory data // Remote Sensing of Environment. 2019. Vol 221. P. 351-362.

225. Thanh N.P., Kappas M. Comparison of random forest, k-nearest neighbor, and support vector machine classifiers for land cover classification using Sentinel-2 imagery // Sensors. 2018. Vol. 18, №.18. P. 1 - 20.

226. Tigges, J. Lakes, T. Hostert P. Urban vegetation classification: Benefits of multi temporal Rapid Eye satellite data // Remote Sensing of Environment. 2013. Vol. 136. P. 66 - 75.

227. Varela V., Vlachogiannis D., Sfetsos A., Karozis S., Politi N., Giroud F. Projection of Forest Fire Danger due to Climate Change in the French Mediterranean Region // Sustainability. 2019. Vol. 11, №.16. P. 1 - 13.

228. Vayreda J., Martinez-Vilalta J., Gracia M., Retana J. Recent climate changes interact with stand structure and management to determine changes in tree carbon stocks in Spanish forests // Global Change Biology. 2012. Vol. 18, №.3. P. 1028 - 1041.

229. Veraverbeke S., Lhermitte S., Verstraeten W.W., Goossens R. The temporal dimension of differenced Normalized Burn Ratio (dNBR) fire/burn severity studies: The 191 case of the large 2007 Peloponnese wildfires in Greece // Remote Sensing of Environment. 2010. Vol. 114, №.11. P. 2548 - 2563.

230. Verma N., Mishra P., Purohit N. Development of a knowledge based decision tree classifier using hybrid polarimetric SAR observables // International Journal of Remote Sensing. 2020. Vol. 41, №.4. P. 1302 - 1320.

231. Verrelst J., Munoz J., Alonso L., Delegido J., Rivera J. P., Camps-Valls G., Moreno J. Machine learning regression algorithms for biophysical parameter retrieval: Opportunities for Sentinel-2 and-3 // Remote Sensing of Environment. 2012. Vol. 118. P. 127 - 139.

232. Wang C., Liu H-Y., Zhang Y., Li Y-F. Classification of land-cover types in muddy tidal flat wetlands using remote sensing data. 2013. Vol. 7. P. 1 - 11. ID. 073457.

233. Wang Q., Atkinson P.M. Spatiotemporal fusion for daily Sentinel-2 images // Remote Sensing of Environment. 2018. Vol. 204. P. 31 - 42.

234. Wang Q., Blackburn G.A., Onojeghuo A.O., Dash J., Zhou L., Zhang Y., Atkinson P. M. Fusion of Landsat 8 Oli and Sentinel-2 MSI data // IEEE Transactions on Geoscience and Remote Sensing. 2017. ID. 408444.

235. Wang S., Miao L., Peng G. An Improved Algorithm for Forest Fire Detection Using

HJ Data // Procedia Environmental Sciences. 2012. Vol. 13. P. 140 - 150.

122

236. Wang Y., Lu D. Mapping Torreya grand is spatial distribution using high spatial resolution satellite imagery with the expert rules-based approach // Remote Sensing. 2017. Vol. 9, №. 6. P. 1 - 19.

237. Weirather M., Zeug G., Schneider T. Automated Delineation of Wildfire Areas Using Sentinel-2 Satellite Imagery // Terranea, Germany. 2018. Vol. 1. P. 251 - 262.

238. Westerling A.L. Increasing western US forest wildfire activity: sensitivity to changes in the timing of spring // Philosophical Transactions of the Royal Society B: Biological Sciences. 2016. Vol. 371. P. 1 - 10.

239. White C. J., Wulder M. A., Hermosilla T., Coops N. C., Hobart G. W. A nationwide annual characterization of 25 years of forest disturbance and recovery for Canada using Landsat time series // Remote Sensing of Environment. 2017. Vol. 194. P. 303 - 321.

240. White J., Shao Y., Kennedy L.M., Campbell J.B. Landscape Dynamics on the Island of La Gonave, Haiti, 1990-2010 // Land. 2013. Vol. 2. P. 493 - 507.

241. Wittke S., Yu X., Kar-jalainen M., Hyyppa J., Puttonen E. Comparison of two-dimensional multi temporal Sentinel-2 data with three-dimensional remote sensing data sources for forest inventory parameter estimation over a boreal forest // International journal of applied Earth observation and Geoinformation. 2019. Vol. 76. P. 167 - 178.

242. Wooster M., Xu W., Nightingale T. Sentinel-3 SLSTR active fire detection and FRP product: Pre-launch algorithm development and performance evaluation using MODIS and ASTER datasets // Remote Sensing of Environment. 2012. Vol. 120. P. 236 - 254.

243. Wu L., Li Z., Liu X., Zhu L., Tang Y., Zhang B., et al. Multi-Type Forest Change Detection Using BFAST and Monthly Landsat Time Series for Monitoring Spatiotemporal Dynamics of Forests in Subtropical Wetland // Remote Sens. 2020. Vol. 12, №. 341. P. 1 - 33.

244. Wu Z., He H., Liang Y., Cai L., Lewis B. Determining Relative Contributions of Vegetation and Topography to Burn Severity from LANDSAT Imagery // Environmental Management. 2013. Vol. 52. P. 821 - 836.

245. Yang C., Wu G., Ding K., Shi T. Li Q., Wang J. Improving land use / land cover classification by integrating pixel unmixing and decision tree methods // Remote Sensing. 2017. Vol. 9, №.12. P. 1 - 16.

246. Yang J., Weisberg P.J., Bristow N.A. Landsat remote sensing approaches for monitoring long-term tree cover dynamics in semi-arid woodlands: Comparison of vegetation indices and spectral mixture analysis // Remote Sensing of Environment. 2012. Vol. 119. P. 62 - 71.

247. Yankovich K.S., Yankovich E.P., Baranovskiy N.V. Classification of Vegetation to Estimate Forest Fire Danger Using Landsat 8 Images: Case Study // Mathematical Problems in Engineering. 2019. Vol. 2019. P. 1 -14.

248. Zald H.S.J., Wulder M.A., White J.C., Hilker T., Hermosilla T., Hobart G.W., Coops N.C. Integrating Landsat pixel composites and change metrics with lidar plots to predictively map forest structure and aboveground biomass in Saskatchewan, Canada // Remote Sensing of Environment. 2016. Vol. 176. P. 188 - 201.

249. Zarco-Tejada P.J., Hornero A., Beck P.S.A., Kattenborn T., Kempeneers P., Hernandez-Clemente R. Chlorophyll content estimation in an open-canopy conifer forest with Sentinel-2A and hyperspectral imagery in the context of forest decline // Remote sensing of environment. 2019. Vol. 223. P. 320 - 335.

250. Zhang J.-H., Yao F.-M., Liu C., Yang L.-M., Boken V.K. Detection, emission estimation and risk prediction of forest fires in China using satellite sensors and simulation models in the past three decades-an overview // International Journal of Environmental Research and Public Health. 2011. Vol. 8, №. 8. P. 3156 - 3178.

251. Zhao F.R., Meng R., Huang C., Zhao. M., Zhao F.A., Gong. P., et al. Long-Term Post-Disturbance Forest Recovery in the Greater Yellowstone Ecosystem Analysed Using Landsat Time Series Stack // Remote Sensing. 2016. Vol. 8, №.11. P. 1 - 22.

252. Zheng H., Du P., Chen J., Xia J., Li E., Xu Z., et al. Performance evaluation of downscaling Sentinel-2 imagery for Land Use and Land Cover classification by Spectral-Spatial features // Remote Sensing. 2017. Vol. 9, №. 12. P. 1 - 17.

253. Zhu X., Liu D. Improving forest aboveground biomass estimation using seasonal Landsat NDVI time-series // ISPRS J. Photogram. Remote Sens. 2015. Vol. 102. P. 222 - 231.

254. Zhu Z., Woodcock C.E. Continuous change detection and classification of land cover using all available Landsat data // Remote Sensing of Environment. 2014. Vol. 144. P. 152 - 171.

Приложение