Определение запасов углерода в сосновых древостоях хвойно-широколиственных лесов с использованием данных высокодетальной съёмки тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Никитина Алена Дмитриевна

• Никитина Алена Дмитриевна
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Никитина Алена Дмитриевна

Введение

Глава 1. Экологические исследования сосновых лесов и возможности использования высокодетальной аэрокосмической съёмки

1.1. Леса с преобладанием Pinus sylvestris L.: значение, экологическая пластичность и ареал распространения

1.2. Изучение лесов с использованием данных спутниковой съёмки сверхвысокого пространственного разрешения

1.3. Применение данных БПЛА в изучении лесов

Глава 2. Объекты исследования

2.1. Географическая характеристика ООПТ

2.2. Сосновые леса ООПТ

Глава 3. Методы исследования

3.1. Наземные обследования

3.2. Аэрофотосъёмка БПЛА

3.3. Автоматическая сегментация ортофотопланов и характеристики древостоев сосновых лесов, полученные с использованием БПЛА-съёмки

3.4. Статистические методы анализа

Глава 4. Связь характеристик сосновых лесов по данным наземных измерений и БПЛА-съёмки

4.1. Соответствие характеристик сосновых лесов по данным наземных измерений и визуального дешифрирования ортофотопланов

4.2. Согласованность результатов визуального дешифрирования и автоматической сегментации Mask R-CNN

Глава 5. Запасы углерода стволовой древесины и структурно-биометрические характеристики древостоев сосновых лесов

5.1. Биометрические характеристики древостоев сосновых лесов

5.2. Структурные характеристики древостоев сосновых лесов

5.3. Объём и запас углерода стволовой древесины древостоев сосновых лесов136

Выводы

Список литературы

Приложение

Приложение

Приложение

Приложение

Приложение

Приложение

Приложение

Список основных сокращений

Введение диссертации (часть автореферата) на тему «Определение запасов углерода в сосновых древостоях хвойно-широколиственных лесов с использованием данных высокодетальной съёмки»

ВВЕДЕНИЕ

В контексте глобальных климатических изменений одной из важных задач лесной экологии является оценка варьирования бюджета углерода в лесах, играющих ключевую роль в секвестрации углекислого газа. Однако в настоящее время оценки бюджета углерода в лесах России варьируют в широких пределах и могут отличаться в несколько раз (Замолодчиков и др., 2007; Dolman et al., 2012; Швиденко и др., 2014; Sitch et al., 2015; Filipchuk et al., 2018). К причинам неопределённостей в оценках относятся различия в методологиях сбора и анализа данных, неоднородность и сложная доступность лесных территорий, а также ограниченные возможности постоянного мониторинга обширных и отдаленных лесных массивов. В рамках разрабатываемой национальной системы мониторинга запасов углерода и потоков парниковых газов особое внимание уделяется повышению точности оценок углеродного бюджета наземных экосистем, в частности лесных сообществ. Это достигается за счёт детализированного мониторинга углеродных запасов и улучшения информационного обеспечения о состоянии лесов. Использование высокодетальной съёмки значительно повышает качество данных, позволяя проводить точный и глубокий анализ структуры древостоев, их биометрических характеристик, важных для оценки пулов углерода, и способствует переходу от точечных наземных измерений к непрерывным пространственным оценкам. Применение данных беспилотных летательных аппаратов, или БПЛА, обеспечивает получение детальной информации на уровне отдельных деревьев, что увеличивает точность оценок и эффективность анализа углеродных пулов с высокой пространственной и временной детализацией. Однако, для оптимизации обработки данных БПЛА-съёмки, необходимо разрабатывать и совершенствовать методы, которые позволяют автоматически выделять отдельные кроны деревьев.

Сосновые леса, благодаря своему широкому географическому распространению, вносят значительный вклад в углеродный баланс. Леса с преобладанием сосны обыкновенной (Pinus sylvestris L.) представляют собой

ключевые экосистемы в умеренных широтах Северного полушария. Особенностями вида является адаптивность к разнообразным условиям произрастания и высокая устойчивость к экологическим стрессам, таким как засухи и пожары. Высокая экологическая валентность и значительный вклад в углеродный цикл определяют важность изучения характеристик сосновых лесов в экологических исследованиях.

Диссертационное исследование сосредоточено на изучении вариабельности характеристик сосновых древостоев дренированных местообитаний подзоны хвойно-широколиственных лесов в западной части Русской равнины и применении данных высокодетальной съёмки, а также методов машинного обучения и нейронных сетей, для оценки ключевых характеристик древостоев, непосредственно связанных с аккумуляцией углерода в лесных экосистемах.

Цель исследования - определить запасы углерода в стволовой древесине на основе оценки структурных и биометрических характеристик сосновых древостоев хвойно-широколиственных лесов дренированных местообитаний на западе Русской равнины с применением усовершенствованных методов обработки данных высокодетальной съёмки.

Задачи исследования:

1. Выявить различия в структурных и биометрических характеристиках сосновых древостоев для оценки вариабельности запасов углерода в стволовой древесине - основном пуле углерода в древостоях - со стратификацией по возрастным группам и географическим условиям с использованием данных наземных измерений.

2. Оптимизировать метод автоматической сегментации крон деревьев с использованием данных аэрофотосъёмки БПЛА для извлечения морфометрических параметров сосновых древостоев.

3. Оценить эффективность использования в регрессионном анализе морфометрических параметров, извлеченных на основе БПЛА-съёмки, и спутниковой съёмки УНК, для определения запасов углерода

стволовой древесины и структурно-биометрических характеристик сосновых древостоев.

Научная новизна.

1. Показано, что запасы углерода в стволовой древесине молодых (до 40 лет) и средневозрастных (40-80 лет) древостоев сосновых лесов различного происхождения, формирующихся в различных природно-климатических условиях, сопоставимы, тогда как в старовозрастных лесах (старше 80 лет) различия в запасах углерода становятся выраженными.

2. Разработан подход к автоматической сегментации крон деревьев по RGB-ортофотопланам БПЛА-съёмки с использованием нейронной сети архитектуры Mask R-CNN, адаптированный для сосновых древостоев подзоны хвойно-широколиственных лесов.

3. Обоснована эффективность использования морфометрических параметров, извлеченных с использованием автоматической сегментации данных аэрофотосъемки БПЛА, в качестве предикторов для оценки запасов углерода и ключевых биометрических и структурных характеристик сосновых древостоев.

Теоретическая и практическая значимость. Значимость исследования обусловлена адаптацией и совершенствованием методик дистанционного зондирования для изучения сосновых лесов хвойно-широколиственной подзоны западной части Русской равнины. Результаты работы можно использовать в задачах определения характеристик сосновых древостоев на больших территориях, а также в качестве информационной основы для оценки запасов углерода, структурных и биометрических характеристик древостоев, в практике устойчивого управления лесными ресурсами и экологического мониторинга лесных экосистем. Результаты работы являются основой для разработки самостоятельного модуля автоматической сегментации крон деревьев по аэрофотосъёмке БПЛА в открытом программном обеспечении для использования в других исследовательских и прикладных проектах.

Положения, выносимые на защиту:

1. Запасы углерода в стволовой древесине сосновых древостоев подзоны хвойно-широколиственных лесов на локальном уровне характеризуются широкой индивидуальной изменчивостью: в молодых лесах (10-40 лет) в пределах от 4 до 97 т С га-1, в средневозрастных (40-80 лет) — от 66 до 129 т С га-1, в старовозрастных (от 80 лет) — от 100 до 246 т С га-1.

2. Усовершенствованный метод автоматической сегментации с применением нейронной сети Mask R-CNN обеспечивает надёжные результаты распознавания крон деревьев в сосновых лесах по RGB-ортофотопланам, полученным в результате БПЛА-съёмки.

3. Применение в регрессионном анализе данных автоматической сегментации обеспечивает получение устойчивых оценок биометрических и структурных характеристик, а также запасов углерода стволовой древесины сосновых лесов.

Личный вклад автора. Полевые исследования, обработка полученного материала, статистический анализ, разработка программного кода и обобщение полученных результатов осуществлены соискателем лично или при непосредственном участии.

Соответствие содержания диссертации паспорту специальности, по которой она рекомендуется к защите. Содержание диссертационной работы соответствует паспорту специальности 1.5.15 - Экология (Биологические науки). Результаты и выводы, полученные в рамках работы над диссертационным исследованием, соответствуют п. 6 (Экосистемы и биогеоценозы. Биологическая продуктивность), п. 8 (Биогеографические закономерности организации надорганизменных систем), п. 12 (Экологические принципы охраны природы на экосистемном уровне). Исследование посвящено изучению экосистем сосновых лесов, анализу их структуры и оценке поглощения углерода, затрагивает вопросы организации сосновых лесов в контексте их биогеографических особенностей и направлено на разработку методов оценки и мониторинга лесных экосистем.

Связь с научными программами и плановыми научными исследованиями. Работа выполнена в рамках темы ГЗ ЦЭПЛ РАН

«Биоразнообразие и экосистемные функции лесов» (НИОКТР 124013000750-1) при поддержке Российского фонда фундаментальных исследований (проект № 20-3490152) на базе Лаборатории мониторинга лесных экосистем и молодежной Лаборатории климаторегулирующих функций и биоразнообразия лесов (122111500023-6) ЦЭПЛ РАН.

Апробация работы. Основные результаты работы были представлены и обсуждены на семинарах ЦЭПЛ РАН (Москва, 2018-2024), международной научно-практической конференции «Геоматика: образование, теория и практика» (Минск, 2019), VII Всероссийской (с международным участием) конференции «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии» (Москва, 2019), Всероссийской Открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса» (Москва, 2019, 2020), международных чтениях памяти Г.Ф. Морозова «Актуальные проблемы современного лесоводства» (Симферополь, 2020), конференции «Актуальные проблемы экологии и природопользования» (Москва, 2020), XVII Большом географическом фестивале (Санкт-Петербург, 2021), всероссийской научной конференции с международным участием «Научные основы устойчивого управления лесами», посвященной 30-летию ЦЭПЛ РАН (Москва, 2022).

Публикация результатов. По теме диссертации опубликовано 14 печатных работ, в том числе 3 публикации в изданиях, включённых в Перечень ВАК, 10 тезисов докладов на международных и всероссийских научных конференциях, 1 глава в монографии.

Структура и объём диссертации. Диссертация состоит из введения, 5 глав, заключения, списка цитируемой литературы из 260 источников (в том числе 161 иностранной работы) и списка основных сокращений. Диссертация изложена на 204 страницах, содержит 13 таблиц и 57 рисунков, 7 приложений.

Благодарности. Автор выражает благодарность научному руководителю Князевой С.В. - за руководство исследованиями, советы и консультации, всестороннюю помощь и поддержку на всех этапах работы; сотрудникам Центра

по проблемам экологии и продуктивности лесов РАН за внимание и помощь научного, технического и организационного характера. Особую благодарность автор выражает Горнову А.В. и Тихоновой Е.В. за помощь в сборе и анализе геоботанических и лесотаксационных материалов, Ершову Д.В. и Гаврилюку Е.А. за рекомендации и совместную работу в области обработки дистанционных данных, Браславской Т.Ю. за ценные предложения по улучшению работы, Лукиной Н.В. за рекомендации по развитию исследования. Автор выражает благодарность Гайбуллаеву А.З. за консультирование в технических аспектах работы, а также сотрудникам ГПБЗ «Брянский лес», НП «Смоленское Поозерье», НП «Куршская коса» за помощь на полевых этапах работ.

ГЛАВА 1. ЭКОЛОГИЧЕСКИЕ ИССЛЕДОВАНИЯ СОСНОВЫХ ЛЕСОВ

И ВОЗМОЖНОСТИ ИСПОЛЬЗОВАНИЯ ВЫСОКОДЕТАЛЬНОЙ АЭРОКОСМИЧЕСКОЙ СЪЁМКИ

В условиях глобальных климатических изменений исследования углеродного баланса и накопления углерода в лесных экосистемах становятся всё более актуальными. Для эффективного мониторинга и оптимального управления лесными ресурсами требуется точная и детальная информация о структуре и состоянии лесов ^рМо1а, 2023). В этой связи применение высокодетальной аэрокосмической съёмки открывает новые возможности для экологических исследований, увеличивая эффективность в сборе и анализе данных.

В Российской Федерации инвентаризация лесов в основном базируется на наземных методах обследования. Однако прогресс в технологиях инвентаризации подразумевает необходимость включения высокодетальных данных дистанционного зондирования Земли (ДЗЗ). Дешифрирование данных космической съёмки с высоким пространственным разрешением (УЖ.) или полученных с использованием беспилотных летательных аппаратов (БПЛА) на пробных участках древостоев позволяет получить всестороннюю информацию о таких параметрах, как породный состав, средний диаметр и высота деревьев, запас стволовой древесины и сомкнутость крон. Кроме того, высокодетальная съёмка позволяет оценить межкроновое пространство, важное для анализа мозаичности растительных сообществ. Оно играет ключевую роль в определении пространственной вариабельности факторов, таких как освещённость, состав атмосферных выпадений и почвенные свойства, что подтверждается исследованиями многих авторов (Ма1аЫе1а et а1., 2014; Орлова и др., 2015; Жирин, Лукина, 2017; Кузнецова и др., 2022).

Изучение лесов с использованием данных, полученных с помощью современных методов высокодетальной аэрокосмической съёмки, предоставляет уникальные возможности для мониторинга изменений в лесных экосистемах. Эти методы позволяют проводить оценку характеристик лесов на макро- и

микроуровнях, отслеживая изменения в ландшафтах и отдельных лесных массивах с высокой точностью.

Исследование сосновых лесов имеет важное значение в экологических исследованиях (Филипчук и др., 2016). Сосна обыкновенная (Pinus sylvestris L.), являясь одним из наиболее распространенных видов с широкой экологической валентностью, играет ключевую роль в поддержании биоразнообразия, защите почв от эрозии и регулировании водного баланса в контексте глобальных климатических изменений.

С помощью высокодетальной съёмки можно получить необходимые данные для оценки состояния, структуры и потенциала поглощения углерода сосновых лесов. Однако, несмотря на значительные достижения в области использования продуктов сверхвысокого пространственного разрешения, существуют пробелы в знаниях и понимании специфики применения этих технологий в исследовании сосновых лесов. В частности, недостаточно изучена вариабельность исследуемых характеристик сосновых лесов на локальном уровне, что требует дальнейшей разработки методов тематической обработки данных, то есть нацеленной на определение качественных и количественных характеристик лесов, полученных с помощью высокодетальной аэрокосмической съёмки, для повышения точности и эффективности исследований.

В главе рассматриваются как экологические особенности, распространение и биосферная роль сосновых лесов, так и технические аспекты использования высокодетальной аэрокосмической съёмки в задачах изучения лесов. Особое внимание уделяется исследованиям сосняков дренированных местообитаний подзоны хвойно-широколиственных лесов западной части Русской равнины на территории Калининградской, Смоленской и Брянской областей, являющихся объектами диссертационного исследования. Список основных сокращений, используемых в тексте, приведён в заключительной части работы.

1.1. Леса с преобладанием Pinus sylvestris L.: значение, экологическая

пластичность и ареал распространения

Лесные экосистемы охватывают значительную часть земной поверхности и играют ключевую роль в глобальном углеродном цикле. Они способствуют секвестрации углерода (как в живой биомассе деревьев, так и в почвенном запасе), что снижает концентрацию углекислого газа в атмосфере и, следовательно, оказывают влияние на глобальное изменение климата. Они также вносят вклад в поддержание биоразнообразия, обеспечивая среду обитания для множества видов. Согласно отчету ФАО за 2022 год, леса покрывают около 31% земной суши, что составляет примерно 4,06 миллиарда гектаров; в них обитает около 80% всех видов земноводных, 75% видов птиц и 68% видов млекопитающих. Значительная часть лесов, более 700 миллионов гектаров или 18% от их общей площади, относятся к охраняемым территориям в соответствии с законодательством, что подчёркивает их значимость для сохранения биоразнообразия и устойчивости экосистем (ФАО, 2022). Таким образом, исследование лесных экосистем необходимо для улучшения понимания механизмов углеродного обмена и разработки эффективных подходов к управлению лесными ресурсами и сохранению лесных экосистем.

Около 61% мировых девственных лесов сосредоточено в трех странах: Бразилии, Канаде и Российской Федерации. Согласно информации, предоставленной Рослесинфоргом в 2022 году, общая площадь лесов в России достигла 1.19 миллиарда гектаров, что составляет свыше 20% от мирового лесного фонда. При этом леса покрывают более 46.4% территории России. (Рослесинфорг..., URL: https://roslesinforg.ru). Научные исследования российских лесных экосистем способствуют разработке стратегий устойчивого управления, которые могут помочь в секвестрации углерода и обеспечении экологической устойчивости.

1.1.1. Значение сосновых лесов

Сосновые леса занимают важное место в поддержании экологического равновесия и предоставлении жизненно важных экосистемных функций. Их экологическое значение проявляется в нескольких ключевых аспектах. В подразделе выделены основные аспекты роли сосновых лесов, иллюстрирующие, но не ограничивающие их полное экологическое значение.

Леса с господством Pinus sylvestris L. считаются одними из наиболее распространенных типов лесных экосистем в мире. Их географическое положение охватывает различные климатические зоны, начиная от субтропических широт до субарктических регионов, включая горные регионы (Рысин, 1975, 2012). Эта разнообразная география лесных сообществ с преобладанием сосны определяет их адаптивные свойства и экологическую важность в различных частях мира. Понимание их структуры и функционирования имеет глобальное значение для предсказания изменений в экосистемах под воздействием климатических и антропогенных факторов. Согласно данным Рослесинфорга за 2022 год (Рослесинфорг..., URL: https://roslesinforg.ru), сосновые леса составляют приблизительно 15% от общей площади лесного фонда России, занимая таким образом второе место по распространенности среди хвойных лесов в стране. В Европейско-Уральской части России доля сосняков достигает 28.6% от площади лесного фонда.

Сосна, как одна из основных хозяйственно-ценных пород, обладает высокой экономической ценностью. Её древесина используется в строительстве, производстве бумаги, мебели, а также как источник ценных химических веществ (Синадский, 1983; Mitchell et al., 2006). Следовательно, изучение параметров сосновых лесов, таких как их структура, возраст и бонитет, имеет важное значение для лесного хозяйства и эффективного управления лесными ресурсами.

Сосновые леса играют важную роль как в сохранении биоразнообразия, так и в регуляции климата, создавая уникальные условия для разнообразных видов растений, животных, микроорганизмов и насекомых (Рысин, Савельева, 2008;

Полосухина и др., 2020; Kin, Velmovskiy, 2021; Ruchin et al., 2022; Supartono et al., 2023). Способность сосновых пород адаптироваться к суровым климатическим условиям и удерживать значительные запасы углерода, а также их способность к быстрому восстановлению после природных бедствий делают их важным элементом в смягчении воздействия изменений климата (Brichta et al., 2023). Поэтому понимание динамики сосновых лесов становится ключевым аспектом в контексте изменяющейся климатической обстановки (Alekseev, Soroka, 2002).

1.1.2. Экологические особенности сосны обыкновенной

Сосна обыкновенная обладает широкой экологической пластичностью, что позволяет ей адаптироваться к различным средам обитания. Широкая валентность вида позволяет расти на самых разных типах почв, включая песчаные почвы, бедные среды обитания, каменистые осыпи и торфяные болота (Орлов, 1966). Приспособленность к различным температурным условиям, светолюбие и эффективное возобновление на лесосеках и после пожаров делают сосну обыкновенную ключевым лесообразующим видом, широко используемым в лесокультурной практике в различных климатических зонах (Синадский, 1983; Рожков и др., 2005; Санников, 2009; Brichta et al., 2023).

Этот вид демонстрирует высокую адаптивность и к разнообразным климатическим условиям: вегетационный период может колебаться от 90 до 200 дней, годовое количество осадков может изменяться в пределах от 200 до 1780 мм (Brichta et al., 2023). Сосна обыкновенная обладает уникальной способностью адаптироваться к экстремальным температурным условиям, выдерживая абсолютный минимум температуры до -60 °С зимой и абсолютный максимум свыше +40 °С летом (Правдин, 1964). Сосна является одной из наиболее светолюбивых пород, особенно на ранних этапах, при прорастании семян, и продолжает требовать интенсивного солнечного света на более поздних стадиях, приспосабливаясь к количеству света через изменения в строении хвои (Хлебникова, 1962; Санников, 1976). Несмотря на то, что сосна часто встречается в северных регионах (граница ареала достигает предела распространения

древесных пород), она предпочитает более теплые условия, рост корней начинается при температуре 6 °С. Годичный прирост сосны зависит от температуры и влажности, что подчёркивает её чувствительность к климатическим условиям (Рысин, Савельева, 2008). При благоприятных условиях показатель среднегодового прироста может достигать до 10.8 м3 га1 год1 (ВпсЫ:а е1 а1., 2023). Сосна обыкновенная, являясь ксерофитом, приспособлена к различным гидрологическим условиям. На сухих песчаных почвах она формирует поверхностную корневую систему, используя атмосферные осадки (Гаель, 1957; Оловянникова, 1962). При доступных грунтовых водах сосна образует глубокие корни для дополнительного водоснабжения, что положительно сказывается на её росте (Якушенко, 1963). При подъеме уровня вод корни могут отмирать, но после понижения уровня воды отрастают заново (Орлов, Кошельков, 1971). На ранних стадиях развития сосна чувствительна к влажности, особенно при прорастании семян (Санникова, 1975). Проростки сосны могут погибать в засушливые периоды. С возрастом сосна становится более устойчивой к засухе, но недостаток влаги всё ещё влияет на её рост и развитие (Санников, 1976). Сосна обыкновенная характеризуется весьма изменчивым габитусом, вырастая в среднем до 26 м в высоту, но в оптимальных условиях может достигать 40 м, а в экстремальных местообитаниях наоборот, принимать карликовые формы (ВпсЫ:а е1 а1., 2023). Сосновые древостои влияют на распределение и химический состав атмосферных осадков, повышая кислотность и концентрацию минеральных и органических соединений (Мина, 1967). Сосна приспособлена к росту как на очень кислых (рН 3.0-3.5), так и на более щелочных почвах. Оптимальный рН для сосны находится в пределах 4.5-5.6 (Иванов, 1970). Уплотнение верхнего слоя почвы, связанное с рекреационным использованием лесов, негативно влияет на рост сосны. Это ведет к ухудшению почвенных свойств, в том числе воздушного и водного режимов. Сосна обыкновенная приспособлена к низкому содержанию кислорода в почве, но существует предел, ниже которого рост корней замедляется значительно (Орлов, Кошельков, 1971).

В работе Уткина и соавторов (2004) проведена оценка углеродных пулов фитомассы и почв сосновых лесов в России на основе данных Государственного

учёта лесного фонда (ГУЛФ) за период 1993-1998 гг. Проведена дифференциация данных по возрастным группам на трех широтных ландшафтных полосах и четырех лесорастительных провинциях. Доля сосновых лесов в лесном покрове России составляла в течение исследуемого периода от 17.4% до 16.0%, а доля древесных запасов - от 19.5% до 19.7%. Средние запасы сосновых насаждений для всей страны оставались постоянными и составляли 128 м3/га. Углеродный пул в различных провинциях зависит от общей площади и запасов спелых и перестойных насаждений, депонирование углерода связано с представленностью более молодых древостоев. На Европейско-Уральскую и Восточно-Сибирскую провинции, где в результате эксплуатации происходит постоянное омоложение сосновых древостоев, приходится 76% общего годичного депонирования углерода. Тем не менее, их вклад как по фитомассе (72%), так и по почвенному углероду (63%), оказывается ниже. Общая оценка запаса углерода фитомассы сосновых лесов (по данным ГУЛФ за 1998 г.) составила ~ 5540х 106 т С.

1.1.3. Распространение сосновых лесов

Сосна обыкновенная, распространенная в Евразии от Пиренеев до Охотского моря, имеет мозаичный и дизъюнктивный ареал, как отмечают Санников и Петрова (2003). Этот вид часто встречается в сухих, олиготрофных и экологически экстремальных условиях, особенно в горных регионах. На равнинах распределение сосны также мозаично, отражая разнообразие ландшафтов. В Скандинавии сосна достигает 70° с.ш., в Малой Азии - 38° с.ш. В России её ареал начинается на Кольском полуострове и простирается через Поной, Печору, Северное Зауралье, пересекая Обь, Енисей и Лену, и завершается на Охотском море. Южная граница ареала проходит через Украину, Воронежскую область, Урал, Тобол и Ишим, достигая в районе Байкала 50° с.ш. На Амуре сосна встречается реже. Изолированные местонахождения сосны южнее её основного ареала включают Хреновской и Бузулукский боры, Притобольские боры в Западной Сибири, Минусинские боры, Балгазикский и Ононский боры в Южной Сибири. В северной части Евразии сосна обыкновенная формирует как чистые лесные массивы, так и

смешанные с другими хвойными деревьями (елью, лиственницей) или лиственными породами (берёзой, осиной, дубом, липой) (Правдин, 1964; Рысин, Савельева, 2008). Авторами Caudullo et al. (2017) представлены хорологические данные для основных европейских древесных пород. Карта, созданная на основе этих данных (Brichta et al., 2023) для Pinus sylvestris, отображена на рисунке 1.1. Геометрия набора данных описывает смежные большие территории обитания вида в виде полигонов, а фрагментированные или изолированные местонахождения - в виде точек.

-Он

естественный ареал Pinus Sylvestris L

Рисунок 1.1 - Распространение сосны обыкновенной в Евразии (Caudullo et al., 2017; цит. по Brichta et al., 2023)

1.1.4. Сосновые леса в подзоне хвойно-широколиственных лесов: Калининградская, Смоленская и Брянская области

Список литературы диссертационного исследования кандидат наук Никитина Алена Дмитриевна, 2024 год

СПИСОК ЛИТЕРАТУРЫ

1. Аккумуляция углерода в лесных почвах и сукцессионный статус лесов: монография / Под ред. Н.В. Лукиной. - М.: Товарищество научных изданий КМК, 2018. - 232 с.

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

3. Анучин, Н.П. Лесная таксация: Учебник для вузов. 5-е изд., доп. - М.: Лесн.пром-сть. 1982. - 552 с.

4. Барталев, С.А. Автоматизированное определение таксационных характеристик кустарниковой растительности пустынь по дистанционным данным / С.А. Барталев, М.Д. Брейдо // Известия высших учебных заведений. Геодезия и аэрофотосъемка. - 1989. - № 4. - С. 94-102.

5. Басаликас, А.Б. Ландшафты Литвы. - Вильнюс, 1977. - 240 с.

6. Березина, Н.А. Растительность национального парка «Смоленское Поозерье» / Н.А. Березина, М.Г. Вахрамеева, Н.К. Шведчикова // Научные исследования в Национальном парке «Смоленское Поозерье». - 2003. - Т. 1. - С. 121-149.

7. Биоразнообразие биомов России. Равнинные биомы: монография / Под ред. Г.Н. Огуреевой. - М.: ФГБУ «ИГКЭ», 2020. - 623 с.

8. Брянский лес: Официальный сайт заповедника [Электронный ресурс]. — Режим доступа: http://www.bryansky-les.ru.

9. Гаврилюк, Е.А. Оценка пространственного распределения видов деревьев заповедника «Брянский лес» и его охранной зоны на основе разносезонных спутниковых данных Landsat / Е.А. Гаврилюк, А.В. Горнов, Д.В. Ершов // Разнообразие растительного мира. - 2018. - № 3 (15). - С. 13-23.

10. Гаврилюк, Е.А. Вероятностная оценка распределения ключевых биотопов в лесах национального парка «Смоленское Поозерье» на основе спутниковых и

топографических данных / Е.А. Гаврилюк, Е.В. Тихонова, Т.Ю. Браславская, Н.В. Королева, И.М. Бавшин, А.В. Титовец // Лесоведение. - 2020. - № 1. - С. 17-34.

11. Гаель, А.Г. Влагоемкость и ее значение в облесении и освоении песков / А.Г. Гаель // Вопросы закрепления и облесения песков. - Вильнюс: Госполитнаучиздат.

- 1957. - С. 7-47.

12. Гамбарова, Е.М. Обучение нейронного классификатора типа многослойный перцептрон и анализ результатов классификации на снимках, полученных со спутника IKONOS, с использованием геоинформационных технологий / Е.М. Гамбарова // Вестник ВГУ. Серия: Системный анализ и информационные технологии. - 2007. - № 1. - С. 43-51.

13. Герасименко, Г.Г. Состояние и разнообразие сосновых насаждений Куршской косы / Г.Г. Герасименко, Т.Л. Козьминская // Вестник Санкт-Петербургского университета. - 2002. - Сер. 3. - Вып. 1. - № 3. - С. 41-45.

14. Гроздов, Б.В. Типы леса Брянской, Смоленской и Калужской областей / Б.В. Гроздов. - Брянск, 1950. - 55 с.

15. Гроздов, Б.В. Типы сосняков Орловской и Смоленской областей. / Б.В. Гроздов. // Труды Брянского лес.ин-та. - 1940. - Т 23. - С. 45-66.

16. Губарева, И.Ю. Ботанические объекты // Особо ценные природные и культурные объекты национального парка «Куршская коса»: сб. науч. ст.; сост. О.В. Рыльков, И.П. Жуковская. - Калининград: Изд-во РГУ им. И. Канта. - 2009.

- С. 9-36.

17. Губарева, И.Ю. Флора национального парка «Куршская коса» / И.Ю. Губарева // Изучение флоры Восточной Европы: достижения и перспективы: Тезисы докладов международной конференции.; под ред. А.Н. Сенникова и Д.В. Гельтмана. - СПб. - 2005. - С. 23.

18. Евстигнеев, О.И. Сукцессии сосновых лесов зандровой местности в Неруссо-Деснянском полесье / О.И. Евстигнеев, В.Н. Коротков // Разнообразие растительного мира. - 2013. - № 1 (1). - С. 31-41.

19. Евстигнеев, О.И. Государственный природный биосферный заповедник «Брянский лес» / О.И. Евстигнеев, О.В. Екимова, Е.Ю. Кайгородова, С.М. Косенко, Е.Ю. Пилютина, Е.Ф. Ситникова, Ю.П. Федотов // Брянск: "АВЕРС", 2017. - 55 с.

20. Евстигнеев, О.И. Неруссо-Деснянское полесье: история природопользования / О.И. Евстигнеев. - Государственный природный биосферный заповедник «Брянский лес», 2009. - 139 с.

21. Жирин, В.М. Оценка биометрических параметров насаждений по изображениям межкронового пространства на космических снимках сверхвысокого разрешения / В.М. Жирин, С.В. Князева, С.П. Эйдлина // Лесоведение. - 2018. - № 3. - С. 163-177.

22. Жирин, В.М. Развитие системы инвентаризации лесов России / В.М. Жирин, Н.В. Лукина // Лесной вестник (Forestry Bulletin). - 2017. - Т. 21. - № 2. - С. 4-14.

23. Замолодчиков, Д. Г. Бюджет углерода управляемых лесов Российской Федерации / Д.Г. Замолодчиков, Г.Н. Коровин, М.Л. Гитарский // Лесоведение. -2007. - №. 6. - С. 23-34.

24. Заугольнова, Л.Б. Типология и классификация лесов европейской России: методические подходы и возможности их реализации / Л.Б. Заугольнова, О.В. Морозова // Лесоведение. - 2006. - № 1. - С. 17-30.

25. Захаров, В.К. Лесная таксация / В.К. Захаров. - Изд-во Академии наук БССР, 1953. - 360 с.

26. Иванов, А.Ф. Рост древесных растений и кислотность почвы / А.Ф. Иванов. -Минск, 1970. - 218 с.

27. Иванов, Е.С. Некоторые приложения сегментации снимков ДЗЗ / Е.С. Иванов // Современные проблемы дистанционного зондирования Земли из космоса. - 2016. - Т.13. - № 1. - С. 105-116.

28. Климатологический справочник СССР. Вып. 8. Ярославская, Калининская, Московская, Владимирская, Смоленская, Калужская, Рязанская и Тульская обл. Ч. 2. Температура воздуха и почвы: справочник. - 1964. - 354 С.

29. Князева, С.В. Методические подходы к оценке характеристик лесов по данным спутниковой съемки сверхвысокого пространственного разрешения в

оптическом диапазоне / А.Д. Никитина, Е.И. Белова, А.С. Плотникова, Е.С. Подольская, К. А. Ковганко // Лесоведение. - 2021. - №. 6. - с. 645-672

30. Князева, С.В. Оценка биометрических параметров сосновых древостоев по спутниковым данным WorldView-3 и материалам беспилотной аэросъёмки / С.В. Князева, А.Д. Никитина, Е.А. Гаврилюк, Е.В. Тихонова, Н.В. Королева // Современные проблемы дистанционного зондирования Земли из космоса. - 2022.

- Т. 19. - № 6. - С. 93-107.

31. Кондакова, Т.Ю. Изменение системы расселения сельских поселений Демидовского и Смоленского муниципальных районов Смоленской области / Т.Ю. Кондакова // Природа и общество: в поисках гармонии: Матер. II Всерос. науч.-практич. конф., посвященной памяти проф.В.А. Шкаликова, (г. Смоленск, 25 ноября 2016 г.). - Смоленск: Изд-во Смоленского гос. университета. - 2016. - С. 201-209.

32. Коновалов, Н.А. Очерк типов хвойно-широколиственных лесов в Брянском лесном массиве / Н.А. Коновалов // Труды Ленингр. о-ва естествоиспытателей. Отделение ботаники. - 1936. - Т. 65. - № 3. - С. 372-404.

33. Королева, Н.В. Оценка масштабов зарастания нелесных земель в национальном парке "Смоленское Поозерье" за 25 лет по спутниковым данным Landsat / Н.В. Королева, Е.В. Тихонова, Д.В. Ершов, А.Н. Салтыков, Е.А. Гаврилюк, А.В. Пугачевский // Лесоведение. - 2018. - № 2. - С. 83-96.

34. Косенков, Г.Л. Периодизация и реконструкция истории освоения территории национального парка "Смоленское Поозерье" для целей типологии культурного ландшафта / Г.Л. Косенков, Е.Ю. Колбовский // Ярославский педагогический вестник. - 2012. - Т. 3. - № 4. - С. 232-238.

35. Космическая научная обсерватория углерода лесов России [Электронный ресурс]. - Режим доступа: http://carbon.cepl.rssi.ru

36. Кузнецова А.И. Оценка выноса углерода с почвенными водами в доминирующих типах леса Брянского Полесья / А.И. Кузнецова, А.В. Горнов, М.В. Горнова, Д.Н. Тебенькова, А.Д. Никитина, В.А. Кузнецов // Почвоведение. - 2022.

- № 9. - С. 1086-1097.

37. Курнаев, С.Ф. Лесорастительное районирование СССР / С.Ф. Курнаев. - М.: Наука, 1973. - 203 с.

38. Леонтьев, В.Л. Некоторые особенности лесов Калининградской области / В.Л. Леонтьев // Тр. Ботанического ин-та Академии наук СССР. Сер. 3. - 1955. - Т. 3. - С. 225-239.

39. Литвин, В.М. Ландшафтная карта Калининградского побережья Балтийского моря / В.М. Литвин, Б.М. Балаян, И.И. Волкова, Л.В. Корнеевец // Проблемы физической и экономической географии Калининградского региона. Калининград.

- 1995. -64 с.

40. Мамонов, Д.Н. Сравнительная оценка методов учёта депонирования углерода сосново-берёзовыми лесными насаждениями Воронежской области / Д.Н. Мамонов, С.С. Морковина, С.М. Матвеев, С.С. Шешницан, В.С. Иветич // Лесотехнический журнал. - 2022. - Т. 12. - № 3 (47). - С. 4-15.

41. Медведев, А. А. Анализ и картографирование структурных параметров редкостойных северотаёжных лесов на основе фотограмметрических облаков точек / А.А. Медведев, Н.О. Тельнова, А.В. Кудиков, Н.А. Алексеенко // Современные проблемы дистанционного зондирования Земли из космоса. - 2020.

- Т. 17. - № 1. - С. 150-163.

42. Методические подходы к экологической оценке лесного покрова в бассейне малой реки / Отв. ред. Л.Б. Заугольнова, Т.Ю. Браславская. - М.: Товарищ-во. научн. изданий КМК. - 2010. - 240 с.

43. Мина, В.Н. Влияние осадков, стекающих по стволам деревьев, на почву / В.Н. Мина // Почвоведение. - 1967. - № 10. - С. 44-52.

44. Научные исследования в Национальном парке «Смоленское Поозерье». Выпуск 1 / Под ред. С.М. Волкова. - НИА-Природа, 2003. - 295 с.

45. Национальный парк «Куршская коса»: официальный сайт [Электронный ресурс]. — Режим доступа: http://www.park-kosa.ru

46. Немирова, Е.С. К изучению растительности Смоленской области / Е.С. Немирова, Б.И. Мартынов // Географическая среда и живые системы. - 2010. - № 2. - С. 74-79.

47. Никитина, А.Д. Картографирование динамики растительного покрова территории национального парка «Куршская коса» по материалам космической съемки Alos и Sentinel-2 / А.Д. Никитина, С.В. Князева, Е.А. Гаврилюк, Е.В. Тихонова, С.П. Эйдлина, Н.В. Королева // Вопросы лесной науки. - 2019. - Т. 2. -№ 3. - С. 1-21.

48. Никитина, А.Д. Возможности использования съемки БПЛА для определения характеристик древостоев на примере сосняков национального парка «Смоленское Поозерье» / А.Д. Никитина, Е.В. Тихонова, С.В. Князева, М.С. Данилов // Материалы Всероссийской научной конференции «Научные основы устойчивого управления лесами». -2020. - С. 82-84.

49. Новичихин, А.Е. Интеграция алгоритмов обработки космических снимков сверхвысокого пространственного разрешения для автоматизированного дешифрирования лесной растительности / А.Е. Новичихин, О.В. Тутубалина // Земля из космоса: наиболее эффективные решения. - 2009. - № 3. - С. 40-42.

50. О методических указаниях по количественному определению объема поглощения парниковых газов: Распоряжение Министерства природных ресурсов и экологии РФ от 30 июня 2017 г. № 20-р. - [Электронный ресурс]. Режим доступа: Доступ из справочно-правовой системы «Гарант». - URL: https://garant.ru/products/ipo/prime/doc/71612096

51. Оловянникова, И.Н. Корневая система сосны обыкновенной в ленточных борах Прииртышья / И.Н. Оловянникова // Труды лаборатории лесоведения АН СССР, «Ленточные боры Прииртышья». - 1962. - Т. 4. - С. 111-144.

52. Определитель типов леса Европейской России [Электронный ресурс]. — Режим доступа: http://cepl.rssi.ru/bio/forest/authors.htm

53. Орлёнок В.В., Курков А.А., Кучерявый П.П., Тупикин С.Н. Физическая география: Учебное пособие / Под ред. В.В. Орлёнка. - Калининград. - 1998. -480 С.

54. Орлов А. Я. Рост и жизнедеятельность сосны, ели и березы в условиях затопления корневых систем //Влияние избыточного увлажнения почв на продуктивность лесов. - М.: Наука. - 1966. - С. 112-154.

55. Орлов, А.Я., Кошельков, С.П. Почвенная экология сосны / А.Я. Орлов, С.П. Кошельков. - АН СССР. Лаб. лесоведения. - М.: Наука, 1971. - 324 с.

56. Орлова, М. А. Методические подходы к отбору образцов лесной подстилки с учетом мозаичности лесных биогеоценозов / М.А. Орлова, Н.В. Лукина, В.Э. Смирнов // Лесоведение. - 2015. - № 3. - С. 214-221.

57. Погуляев Д.И. Природа и физико-географические (природные) районы Смоленской области / Д.И. Погуляев, А. А. Шостьина // Смоленское книжное изд-во, 1963. - 128 с.

58. Полосухина, Д.А. Биоразнообразие растений нижних ярусов сосновых лесов Средней Сибири / Д.А. Полосухина, А.С. Прокушкин, О.В. Масягина // Российская Арктика. - 2020. - №. Спецвыпуск. - С. 44-50.

59. Правдин, Л.Ф. Сосна обыкновенная. Изменчивость, внутривидовая систематика и селекция / Л.Ф. Правдин. - М.: Наука, 1964. - 190 с.

60. Приказ Госкомлеса СССР от 28 февраля 1989 г. N 38 «Общесоюзные нормативы для таксации лесов» [Электронный ресурс]. — Режим доступа: https://base.garant.ru/70811050/

61. Растительность Европейской части СССР / С.А. Грибова, Т.И. Исаченко. Е.М. Лавренко; Под ред. С.А. Грибовой и др.; АН СССР, Ботан. ин-т им. В. Л. Комарова. - Л.: Наука. Ленинградское отделение, 1980. - 425 с.

62. Рожков, Л. Н. Динамика и состояние сосновых лесов Беларуси. / Л. Н. Рожков, В. Е. Ермаков, Н. Ф. Ловчий // Труды БГТУ. Сер. I, Лесное хоз-во. - 2005.

- Вып. XIII. - С. 7-13

63. Ромина, Л. В. Природные особенности и антропогенные факторы формирования экосистем Куршской косы / Л.В. Ромина, О.В. Мякокина // Жизнь Земли. - 2021. - Т. 43. - № 2. - С. 248-257.

64. Рослесинфорг: официальный сайт [Электронный ресурс]. - Режим доступа: https://roslesinforg.ru/

65. Рослесхоз: Федеральное агентство лесного хозяйства [Электронный ресурс].

- Режим доступа: https://rosleshoz.gov.ru

66. Рысин, Л.П. Сосновые леса европейской части СССР / Л.П. Рысин. - М.: Наука, 1975. - 212 с.

67. Рысин, Л.П. Сосновые леса России. / Л.П. Рысин, Л.И. Савельева - М.: Товарищество научных изданий КМК, 2008. - 289 с.

68. Рысин, Л.П. Хвойные леса России / Л.П. Рысин // Известия Самарского научного центра Российской академии наук. - 2012. - Т. 14. - № 1-4. - С. 11061109.

69. Санников, С.Н. Эволюционные аспекты пироэкологии светлохвойных видов / С.Н. Санников, Н.С. Санникова // Лесоведение. - 2009. - № 3. - С. 3-10. - EDN KAVLTX.

70. Санников, С.Н., Петрова, И.В. Дифференциация популяций сосны обыкновенной. / С.Н. Санников, И.В. Петрова -Уральское отделение РАН (Екатеринбург), 2003. - 174 с.

71. Санников, С.Н. Возрастная биология сосны обыкновенной в Зауралье / С.Н. Санников // Восстановительная и возрастная динамика лесов на Урале и в Зауралье.

- 1976. - С. 124-165.

72. Санникова, Н.С. Влияние влажности субстрата на прорастание семян сосны различных географических групп популяций / Н.С. Санникова // Экология. - 1975.

- № 4. - С. 93-95.

73. Себер, Д. Линейный регрессионный анализ / Д. Себер. - М.: Мир, 1980. - 456 с.

74. Синадский, Ю.В. Сосна: ее вредители и болезни / Ю.В. Синадский. - Наука, 1983.

75. Смоленское Поозерье: официальный сайт [Электронный ресурс]. - Режим доступа: http://www.poozerie.ru

76. Соколов, А.А. Редкие и охраняемые сосудистые растения Куршской косы / А.А. Соколов // Проблемы изучения и охраны природного и культурного наследия.

- М.: НИА-Природа. - 2003. - С. 144-153.

77. Станчинский, В.В. Природа Смоленской губернии. / В.В. Станчинский // Смоленск. Научные Известия Смоленского гос. Университета. - Смоленск.: 1927.

- Т. 4. - № 1.

78. Сукачев, В.Н. Лесные формации и их взаимоотношения в Брянских лесах. / В.Н. Сукачев // Труды по лес. опыт. делу в России. - 1908. - Вып. 9. - С. 1-61.

79. Сухих, В.И. Аэрокосмические методы в лесном хозяйстве и ландшафтном строительстве: Учебник. - Йошкар-Ола: МарГТУ. - 2005. - 392 с.

80. Сухих, В.И. Оценка информативности космических фотоснимков высокого разрешения для инвентаризации лесов / В.И. Сухих, В.М. Жирин, Т.А. Зиемелис, А.В. Шаталов // Исследование Земли из космоса. - 1996. - Т. 2. - № 2. - С. 45-56.

81. Терехов, А.Г. Автоматический алгоритм классификации снимков QuickBird в задаче оценки полноты леса / А.Г. Терехов, Н.Г. Макаренко, И.Т. Пак // Компьютерная оптика. - 2014. - Т. 38. - № 3. - С. 580-583.

82. Тихонова, Е.В. Инвентаризация и классификация современного ценотического разнообразия лесной растительности НП «Смоленское Поозерье» / Е.В. Тихонова // Биоразнообразие и функционирование лесных экосистем. - 2021.

- С. 118-130.

83. Тюкавина, А.Ю. Определение сомкнутости крон редкостойных лиственничников Таймыра по космическим снимкам разного разрешения / А.Ю. Тюкавина // Исследования Земли из космоса. - 2012. - № 5. - С. 64-74.

84. Уткин, А.И. Пулы углерода фитомассы и почв сосновых лесов России / А.И. Уткин, Д.Г. Замолодчиков, О.В. Честных // Хвойные бореальной зоны. - 2004. - Т. 22. - № 1-2. - С. 13-21.

85. ФАО. 2022. Состояние лесов мира 2022. Лесохозяйственные стратегии развития как инструмент экологически сбалансированного восстановления и создания инклюзивной, жизнестойкой и устойчивой экономики. - Рим, ФАО. - 167 с. [Электронный ресурс]. - Режим доступа: https://doi.org/10.4060/cb9360ru

86. Филипчук, А.Н. Аналитический обзор методик учёта выбросов и поглощения лесами парниковых газов из атмосферы / А.Н. Филипчук, Н.В. Малышева, Б.Н.

Моисеев, В.В. Страхов // Лесохозяйственная информация. - 2016. - № 3. - С. 3685.

87. Фраленко, В.П. Методы текстурного анализа изображений, обработка данных дистанционного зондирования Земли / В.П. Фраленко // Программные системы: теория и приложения. - 2014. - № 4(22). - С. 19-39.

88. Харин, Г.С., Жуковская, И.П. Геологические объекты // Особо ценные природные и культурные объекты национального парка «Куршская коса»: сб. науч. ст./ сост. О.В. Рыльков, И.П. Жуковская. - Калининград: Изд-во РГУ им. И. Канта. - 2009. - С. 57-80.

89. Харук, В.И. Миграция северной границы распространения сибирского шелкопряда / В.И. Харук, С.Т. Им, М.Н. Ягунов // Сибирский экологический журнал. - 2018. - Т. 25. - № 1. - С. 32-44.

90. Хлебникова, Н.А. Физиологическая характеристика деревьев разной интенсивности роста в молодняке сосны обыкновенной / Н.А. Хлебникова // Физиология древесных растений. - Москва, Изд-во АН СССР. - 1962. - С. 57-68.

91. Чистяков, С.П. Случайные леса: Обзор / С.П. Чистяков // Труды Карельского центра РАН, 2013. - № 1. - С. 117-136.

92. Шаплыгина, Т. В. Геоэкологические аспекты рекреационного природопользования в национальном парке «Куршская коса» / Т.В. Шаплыгина, И.И. Волкова // Проблемы природопользования, сохранения биоразнообразия и культурного наследия на особо охраняемых природных территориях России. -Калининград: Изд-во БФУ им. И. Канта. - 2017. - С. 128-134.

93. Швиденко А. З. Углеродный бюджет лесов России / А. З. Швиденко, Д. Г. Щепащенко // Сибирский лесной журнал. - 2014. - №. 1. - С. 69-92.

94. Якушенко, И.К. Влияние генезиса песков на строение корневой системы сосны / И.К. Якушенко // Выращивание высокопродуктивных лесов. - Минск: Изд-во "Урожай". - 1963. - С. 32-46.

95. Agisoft Metashape: официальный сайт [Электронный ресурс]. - Режим доступа: http://www.agisoft.com

96. Ahmed, O.S. Hierarchical land cover and vegetation classification using multispectral data acquired from an unmanned aerial vehicle / O.S. Ahmed, A. Shemrock,

D. Chabot, C. Dillon, G. Williams, R. Wasson, S.E. Franklin. // International Journal of Remote Sensing. - 2017. - T. 38. - № 8-10. - P. 2037-2052.

97. Aicardi, I. Monitoring post-fire forest recovery using multitemporal Digital Surface Models generated from different platforms / I. Aicardi, M. Garbarino, A. Lingua,

E. Lingua, R. Marzano, M. Piras // EARSeL eProceedings. - 2016. - T. 15. - № 1. - P. 1-8.

98. Alekseev, A.S., Scots pine growth trends in Northwestern Kola Peninsula as an indicator of positive changes in the carbon cycle / A.S. Alekseev, A.R. Soroka // Climatic change. - 2002. - Vol. 55. - №. 1. - P. 183-196.

99. Ardila, J.P. Context-sensitive extraction of tree crown objects in urban areas using VHR satellite images / J.P.Ardila, W. Bijker., V.A. Tolpekin, A. Stein // International journal of applied earth observation and geoinformation. - 2012. - Vol. 15. - P. 57-69.

100. Aubry-Kientz, M. A comparative assessment of the performance of individual tree crowns delineation algorithms from ALS data in tropical forests / M. Aubry-Kientz, R. Dutrieux, A. Ferraz, S. Saatchi, H. Hamraz, J. Williams. - Remote Sensing. - 2019. -Vol. 11. - № 9. - P. 1086 (1-21).

101. Avotniece, Z. Trends in the frequency of extreme climate events in Latvia / Z. Avotniece, V. Rodinov, L. Lizuma, A. Briede, M. Klavins - Baltica. - 2010. - Vol. 23. -

7 7 7 7 5 5

№ 2. - P. 135-148.

102. Bagaram, M.B. UAV remote sensing for biodiversity monitoring: Are forest canopy gaps good covariates? / M.B. Bagaram, D. Giuliarelli, G. Chirici, F. Giannetti, A. Barbati - Remote Sensing. - 2018. - Vol. 10. - № 9. - P. 1397.

103. Ball, J.G. Accurate delineation of individual tree crowns in tropical forests from aerial RGB imagery using Mask R-CNN / J.G. Ball, S.H. Hickman, T.D. Jackson, X.J. Koay, J. Hirst, W. Jay, D.A. Coomes // Remote Sensing in Ecology and Conservation. -2023. - Vol. 9. - № 5. - C. 641-655.

104. Belmonte, A. Quantifying snow cover and persistence in a post restoration environment: UAV-derived forest structure data and forest gap radiation modeling / A.

Belmonte, T. Sankey, B. Seyednasrollah, J. A. Biederman // AGUFM. - 2019. - Vol.

2019. - P. EP11C-2146.

105. Birdal, A. C. Estimating tree heights with images from an unmanned aerial vehicle / A. C. Birdal, U. Avdan, T. Türk // Geomatics, Natural Hazards and Risk. - 2017. - Vol. 8. - № 2. - P. 1144-1156.

106. Blaschke, T. Geographic Object-Based Image Analysis - Towards a new paradigm / T. Blaschke, G.J. Hay, M. Kelly, S. Lang, P. Hofmann, E. Addink, R.Q. Feitosa, F. van der Meer, H. van der Werff, F. van Coillie, D. Tiede // ISPRS Journal of Photogrammetry and Remote Sensing. - 2014. - Vol. 87. - P. 180-191.

107. Braga, J.R.G. Tree Crown Delineation Algorithm Based on a Convolutional Neural Network / J.R.G. Braga, V. Peripato, R. Dalagnol, M.P. Ferreira, Y. Tarabalka, L.E.O.C. Aragao, H.F. de Campos Velho, E.H. Shiguemori, F.H. Wagner // Remote Sensing. -

2020. - Vol. 12. - P. 1-27.

108. Breiman, L. Bagging predictors / L. Breiman // Machine Learning. - 1996. - Vol. 24. - № 2. - P. 123-140.

109. Breiman, L. Random forests / L. Breiman // Machine Learning. - 2001. - Vol. 45. - № 1. - P. 5-32.

110. Brichta, J. Importance and potential of Scots pine (L.) in 21st century / J. Brichta, S. Vacek, Z. Vacek, J. Cukor, M. Mikeska, L. Bilek, I. Stefancik // Central European Forestry Journal. - 2023. - Vol. 69. - № 1. - P. 3-20.

111. Brosofske, K.D. Review of Methods for Mapping and Prediction of Inventory Attributes for Operational Forest Management / K.D. Brosofske, R.E. Froese, M.J. Falkowski, A. Banskota // Forest Science. - 2014. - Vol. 60. - № 4. - P. 733-756.

112. Brovkina, O. Unmanned aerial vehicles (UAV) for assessment of qualitative classification of Norway spruce in temperate forest stands / O. Brovkina, E. Cienciala, P. Surovy, P. Janata // Geospatial Information Science. - 2018. - Vol. 21. - № 1. - P. 1220.

113. Bulut, S. Estimation of forest development stage and crown closure using different classification methods and satellite images: A case study from Turkey / S. Bulut, A. Günlü, S. Kele§ // Journal of Forest Science. - 2019. - Vol. 65. - № 1. - P. 18-26.

114. Cao, J. Object-based mangrove species classification using unmanned aerial vehicle hyperspectral images and digital surface models / J. Cao, W. Leng, K. Liu, L. Liu, Z. He, Y. Zhu // Remote Sensing. - 2018. - Vol. 10. - № 1. - P. 89.

115. Cao, L. Comparison of UAV LiDAR and digital aerial photogrammetry point clouds for estimating forest structural attributes in subtropical planted forests / L. Cao, H. Liu, X. Fu, Z. Zhang, X. Shen, H. Ruan // Forests. - 2019. - Vol. 10. - № 2. - P. 145.

116. Cartus, O. Mapping Canopy Height and Growing Stock Volume Using Airborne Lidar, ALOS PALSAR and Landsat ETM+ / O. Cartus, J. Kellndorfer, M. Rombach, W. Walker // Remote Sensing. - 2012. - Vol. 4. - № 11. - P. 3320-3345.

117. Caudullo, G. Chorological maps for the main European woody species / G. Caudullo, E. Welk, J. San-Miguel-Ayanz // Data in brief. - 2017. - Vol. 12. - P. 662-666.

118. Chadwick, A. Transferability of a Mask R-CNN model for the delineation and classification of two species of regenerating tree crowns to untrained sites / A.J. Chadwick, N.C. Coops, C.W. Bater, L.A. Martens, B. White // Science of Remote Sensing. - 2024. - Vol. 9. - P. 100109.

119. Chadwick, A.J. Automatic Delineation and Height Measurement of Regenerating Conifer Crowns under Leaf-Off Conditions Using UAV Imagery / A.J. Chadwick, T.R.H. Goodbody, N.C. Coops, A. Hervieux, C.W. Bater, L.A. Martens, B. White, D. Roeser // Remote Sensing. - 2020. - Vol. 12. - P. 4104.

120. Chen, G.A GEOBIA framework to estimate forest parameters from lidar transects, Quickbird imagery and machine learning: A case study in Quebec, Canada / G. Chen, G.J. Hay, B. St-Onge // International Journal of Applied Earth Observation and Geoinformation. - 2012. - Vol. 15. - P. 28-37.

121. Chen, L.C. Deeplab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected crfs / L.C. Chen, G. Papandreou, I. Kokkinos, K. Murphy, A.L. Yuille // IEEE transactions on pattern analysis and machine intelligence. -2017. - Vol. 40. - № 4. - P. 834-848.

122. Cheng, G.A survey on object detection in optical remote sensing images / G. Cheng, J. Han // ISPRS Journal of Photogrammetry and Remote Sensing. - 2016. - Vol. 117. - P. 11-28.

123. Chubarenko, I.P. General water dynamics of the Vistula Lagoon / I.P. Chubarenko, B.V. Chubarenko // Environmental and Chemical Physics. - 2002. - Vol. 24. - № 4. - P. 213-217.

124. Chung, K.L. Efficient shadow detection of color aerial images based on successive thresholding scheme / K.L. Chung, Y.R. Lin, Y.H. Huang // IEEE transactions on geoscience and remote sensing. - 2008. - Vol. 47. - № 2. - P. 671-682.

125. Clark, M.L. Hyperspectral discrimination of tropical rain forest tree species at leaf to crown scales / M.L. Clark, D. A. Roberts, D.B. Clark // Remote sensing of environment. - 2005. - Vol. 96. - № 3-4. - P. 375-398.

126. Comaniciu, D. Mean shift analysis and applications / D. Comaniciu, P. Meer // Proceedings of the Seventh IEEE International Conference on Computer Vision. - 1999.

- Vol. 2. - P. 1197-1203.

127. Coops, N.C. Assessment of QuickBird high spatial resolution imagery to detect red attack damage due to mountain pine beetle infestation / N.C. Coops, M. Johnson, M.A. Wulder, J.C. White // Remote Sensing of Environment. - 2006. - Vol. 103. - P. 67-80.

128. Culvenor, D.S. TIDA: an algorithm for the delineation of tree crowns in high spatial resolution remotely sensed imagery / D.S. Culvenor // Computers & Geosciences.

- 2002. - Vol. 28. - № 1. - P. 33-44.

129. Dalagnol, R. Quantifying Canopy Tree Loss and Gap Recovery in Tropical Forests under Low-Intensity Logging Using VHR Satellite Imagery and Airborne LiDAR / R. Dalagnol, O.L. Phillips, E. Gloor, L.S. Galvao, F.H. Wagner, C.J. Locks, L.E.O. Aragao // Remote Sensing. - 2019. - Vol. 11. - P. 1-20.

130. Daliakopoulos, I. Tree Crown Detection on Multispectral VHR Satellite Imagery / I. Daliakopoulos, G. Grillakis, A. Koutroulis, I. Tsanis // Photogrammetric Engineering & Remote Sensing. - 2009. - Vol. 75. - № 10. - P. 1201-1211.

131. Dalla Corte, A.P. Forest inventory with high-density UAV-Lidar: Machine learning approaches for predicting individual tree attributes / A.P. Dalla Corte, D.V. Souza, F.E. Rex, C.R. Sanquetta, M. Mohan, C.A. Silva, E.N. Broadbent // Computers and Electronics in Agriculture. - 2020. - Vol. 179. - P. 105815.

132. Das, S. A review: shadow detection and shadow removal from images / S. Das, A. Aery // International Journal of Engineering Trends and Technology (IJETT). - 2013. -Vol. 4. - № 5. - P. 1764-1767.

133. Deur, M. Tree Species Classification in Mixed Deciduous Forests Using Very High Spatial Resolution Satellite Imagery and Machine Learning Methods / M. Deur, M. Gasparovic, I. Balenovic // Remote Sensing. - 2020. - Vol. 12. - P. 3926

134. Diez, Y. Deep Learning in Forestry Using UAV-Acquired RGB Data: A Practical Review / Y. Diez, S. Kentsch, M. Fukuda, M.L.L. Caceres, K. Moritake, M. Cabezas // Remote Sens. - 2021. - Vol. 13. - P. 2837.

135. Dimitrov, S. Integrated model of application of remote sensing and field investigations for sanitary status assessment of forest stands in two reserves in West Balkan Range, Bulgaria / S. Dimitrov, G. Georgiev, P. Mirchev, M. Georgieva, M. Iliev, D. Doychev, N. Zaphirov // Seventh International Conference on Remote Sensing and Geoinformation of the Environment (RSCy2019). - International Society for Optics and Photonics. - 2019. - Vol. 11174. - P. 1117404.

136. DJI: официальный сайт [Электронный ресурс]. — Режим доступа: https://www.dji.com/ru

137. Dolman, A.J. An estimate of the terrestrial carbon budget of Russia using inventory-based, eddy covariance and inversion methods / A.J. Dolman, A. Shvidenko, D. Schepaschenko, P. Ciais, N. Tchebakova, T. Chen, E.D. Schulze // Biogeosciences. -2012. - Vol. 9. - №. 12. - P. 5323-5340.

138. Drone Deploy: официальный сайт [Электронный ресурс]. — Режим доступа: https://www.dronedeploy.com

139. Egli S. CNN-Based Tree Species Classification Using High Resolution RGB Image Data from Automated UAV Observations / S. Egli, M. Hopke // Remote Sensing. - 2020. - Vol. 12. - P. 3892.

140. Espíndola, R.P. Advances in remote sensing for sustainable forest management: monitoring and protecting natural resources/ R.P. Espíndola, N.F.F. Ebecken // Revista Caribeña de Ciencias Sociales. - 2023. - Vol. 12. - № 4. - P. 1605-1617.

141. Evans, B. Dieback classification modelling using high-resolution digital multispectral imagery and in situ assessments of crown condition / B. Evans, T. Lyons, P. Barber, C. Stone, G. Hardy // Remote sensing letters. - 2014. - Vol. 3. - № 6. - P. 541550.

142. Falkowski, M.J. Supporting large-area, sample-based forest inventories with very high spatial resolution satellite imagery / M.J. Falkowski, M.A. Wulder, J.C. White, M.D. Gillis // Progress in Physical Geography. - 2009. - Vol. 33. - P. 403-423.

143. Fassnacht, F.E. Review of studies on tree species classification from remotely sensed data / F.E. Fassnacht, H. Latifi, K. Sterenczak, A. Modzelewska // Remote Sensing of Environment. - 2016. - Vol. 186. - P. 64-87.

144. Feret, J.B. Mapping tropical forest canopy diversity using high-fidelity imaging spectroscopy / J.B. Feret, G.P. Asner // Ecological Applications. - 2014. - Vol. 24. - № 6. - P. 1289-1296.

145. Ferreira, M.P. Tree species classification in tropical forests using visible to shortwave infrared WorldView-3 images and texture analysis / M.P. Ferreira, F.H. Wagner, L.E. O. Aragao, Y.E. Shimabukuro // ISPRS journal of photogrammetry and remote sensing. - 2019. - Vol. 149. - P. 119-131.

146. Filipchuk A. Russian forests: A new approach to the assessment of carbon stocks and sequestration capacity / A. Filipchuk, B. Moiseev, N. Malysheva, V. Strakhov //Environmental Development. - 2018. - T. 26. - C. 68-75.

147. Franklin, S.E. Northern conifer forest species classification using multispectral data acquired from an unmanned aerial vehicle / S.E. Franklin, O.S. Ahmed, G. Williams // Photogrammetric Engineering & Remote Sensing. - 2017. - Vol. 83. - № 7. - P. 501507.

148. Fritz, A. UAV-based photogrammetric point clouds - Tree stem mapping in open stands in comparison to terrestrial laser scanner point clouds / A. Fritz, T. Kattenborn, B. Koch // Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. - 2013. - Vol. 40. - P. 141146.

149. Garrity, S.R. Quantifying tree mortality in a mixed species woodland using multitemporal high spatial resolution satellite imagery / S.R. Garrity, C.D. Allen, S.P.

Brumby, C. Gangodagamage, N.G. McDowell, D.M. Cai // Remote Sensing of Environment. - 2013. - Vol. 129. - P. 54-65.

150. Getzin, S. Using unmanned aerial vehicles (UAV) to quantify spatial gap patterns in forests / S. Getzin, R.S. Nuske, K. Wiegand // Remote Sensing. - 2014. - Vol. 6. - № 8. - P. 6988-7004.

151. Guimarâes, N. Forestry remote sensing from unmanned aerial vehicles: A review focusing on the data, processing and potentialities / N. Guimarâes, L. Padua, P. Marques, N. Silva, E. Peres, J.J. Sousa // Remote Sensing. - 2020. - Vol. 12. - №. 6. - P. 1046.

152. Gonçalves, A.C. Pinus pinea above ground biomass estimation with very high spatial resolution satellite images / A.C. Gonçalves, A.M.O. Sousa, J.R.M. Silva // Options Méditerranéennes. - 2017. - № 122. - P. 49-54.

153. Goodbody, T.R.H. Assessing the status of forest regeneration using digital aerial photogrammetry and unmanned aerial systems / T.R.H. Goodbody, N.C. Coops, T. Hermosilla, P. Tompalski, P. Crawford // International Journal of Remote Sensing. -2018. - Vol. 39. - № 15-16. - P. 5246-5264.

154. Grznarova, A. The crown diameter estimation from fixed wing type of UAV imagery / A. Grznarova, M. Mokros, P. Surovy, M. Slavik, M. Pondelik, J. Merganic // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. - 2019. - Vol. 42. - P. 337-341.

155. Gunlu, A. Estimation of some stand parameters from textural features from WorldView-2 satellite image using the artificial neural network and multiple regression methods: a case study from Turkey / A. Gunlu, î. Ercanli, M. §enyurt, S. Kele§ // Geocarto International. - 2019. - P. 1-18.

156. Guo, X. Individual Tree Species Classification Based on Convolutional Neural Networks and Multitemporal High-Resolution Remote Sensing Images / X. Guo, H. Li, L. Jing, P. Wang // Sensors. - 2022. - Vol. 22. - P. 3157.

157. Hao, Z. Automated tree-crown and height detection in a young forest plantation using mask region-based convolutional neural network (Mask R-CNN) / Z. Hao, L. Lin, C.J. Post, E.A. Mikhailova, M. Li, Y. Chen et al. // ISPRS Journal of Photogrammetry and Remote Sensing. - 2021. - Vol. 178. - P. 112-123.

158. He, K. Mask R-CNN / K. He, G. Gkioxari, P. Dollar, R. Girshick // Proceedings of the IEEE international conference on computer vision. - 2017. - P. 2961-2969.

159. Hernandez, J.G. Using high resolution UAV imagery to estimate tree variables in Pinus pinea plantation in Portugal / J.G. Hernandez, E.G. Ferreiro, A. Sarmento, J. Silva, A. Nunes, A.C. Correia, R.A.D. Varela // Forest systems. - 2016. - Vol. 25. - № 2. - P. 16.

160. Hicke, J.A. Mapping whitebark pine mortality caused by a mountain pine beetle outbreak with high spatial resolution satellite imagery / J.A. Hicke, J. Logan // International Journal of Remote Sensing. - 2009. - V. 30. - P. 4427-4441.

161. Hossain, M.D. Segmentation for Object-Based Image Analysis (OBIA): A review of algorithms and challenges from remote sensing perspective / M.D. Hossain, D. Chen // ISPRS Journal of Photogrammetry and Remote Sensing. - 2019. - V. 150. - P. 115134.

162. Huang, H. Individual Tree Crown Detection and Delineation From Very-High-Resolution UAV Images Based on Bias Field and Marker-Controlled Watershed Segmentation Algorithms / H. Huang, X. Li, C. Chen // IEEE Journal of selected topics in applied earth observations and remote sensing. - 2018. -Vol. 11. - № 7. - P. 22532262.

163. Immitzer, M. Tree Species Classification with Random Forest Using Very High Spatial Resolution 8-Band WorldView-2 Satellite Data / M. Immitzer, C. Atzberger, T. Koukal // Remote Sensing. - 2012. - Vol. 4. - P. 2661-2693.

164. Ivanova, N.V. Study of pine forest stand structure in the priosko-terrasny state nature biosphere reserve (Russia) based on aerial photography by quadrocopter / N.V. Ivanova, M.P. Shashkov, V.N. Shanin. - 2021. - Vol. 6. - № 4. - P. 1-14.

165. Jaakkola, A. Low-cost Mobile Laser Scanning and its Feasibility for Environmental Mapping: PhD diss., Aalto University. - 2015. - P. 67.

166. Jackson, C.M. A machine learning approach to mapping canopy gaps in an indigenous tropical submontane forest using WorldView-3 multispectral satellite imagery / C.M. Jackson, E. Adam // Environmental Conservation. - 2022. - Vol. 49. - № 4. - C. 255-262.

167. Jemaa, H. UAV-based computer vision system for orchard apple tree detection and health assessment / H. Jemaa, W. Bouachir, B. LaRocque, A. Haddadi, N. Bouguila // Remote Sensing. - 2023. - Vol. 15. - № 14. - P. 3558.

168. Kampen, M. UAV-Based Multispectral Data for Tree Species Classification and Tree Vitality Analysis / M. Kampen, S. Lederbauer, J. P. Mund, M. Immitzer // Dreiländertagung der DGPF, der OVG und der SGPF in Wien, Österreich - 28. - 2019.

- P. 623-639.

169. Karantzalos, K. G. Towards automatic olive tree extraction from satellite imagery / K. G. Karantzalos, D. Argialas // Geo-Imagery Bridging Continents. XXth ISPRS Congress. - Priceton, NJ, USA : Citeseer. - 2004. - P. 12-23.

170. Karantzalos, K. Towards automatic olive trees extraction from aerial and satellite imagery / K. Karantzalos, D. Argialas // International Archives of the Photogrammetry. Remote Sensing and Spatial Information Sciences. Istanbul, Turkey. - 2004. - № 35(5).

- P. 360-365.

171. Katoh, M. Classifying tree species in a northern mixed forest using high-resolution IKONOS data / M. Katoh // Journal of Forest Research. - 2004. - Vol. 9. - № 1. - P. 714.

172. Kattenborn, T. Automatic single tree detection in plantations using UAV-based photogrammetric point clouds / T. Kattenborn, M. Sperlich, K. Bataua, B. Koch // The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences. - 2014. - Vol. 40. - № 3. - P. 139.

173. Kayitakire, F. Retrieving forest structure variables based on image texture analysis and IKONOS-2 imagery / F. Kayitakire, C. Hamel, P. Defourny // Remote sensing of environment. 2006. - Vol. 102. - № 3-4. - P. 390-401.

174. Kin, N.O. Steppe and forest-steppe pine forests as refugiums in the conservation of rare and unique plant species / N.O. Kin, P.V. Velmovskiy // Asian Journal of Conservation Biology. - 2021. - Vol. 10. - № 1. - P. 22-27.

175. Ku, N. A comparison of multiple methods for mapping local-scale mesquite tree aboveground biomass with remotely sensed data / N. Ku, S. Popescu // Biomass and Bioenergy. - 2019. - Vol. 122(1). - P. 270-279.

176. Kuzmin, A. Automatic segment-level tree species recognition using high resolution aerial winter imagery / A. Kuzmin, L. Korhonen, T. Manninen, M. Maltamo // European Journal of Remote Sensing. - 2016. - Vol. 49. - № 1. - P. 239-259.

177. Lehmann, E.A. SAR and optical remote sensing: Assessment of complementarity and interoperability in the context of a large-scale operational forest monitoring system / E.A. Lehmann, P. Caccetta, K. Lowell, A. Mitchell, Z.S. Zhou, A. Held, SAR and optical remote sensing: Assessment of complementarity and interoperability in the context of a large-scale operational forest monitoring system // Remote Sensing of Environment. -2015. - Vol. 156. - P. 335-348.

178. Lexer0d, N.L. An evaluation of different diameter diversity indices based on criteria related to forest management planning / N.L. Lexered, T.Eid // Forest Ecology and Management. - 2006. - Vol. 222. - № 1-3. - P. 17-28.

179. Li, Q. Classification of Mangrove Species Using Combined WordView-3 and LiDAR Data in Mai Po Nature Reserve, Hong Kong / Q. Li, F.K.K. Wong, T. Fung // Remote Sensing. - 2019. - Vol. 11. - P. 1-17.

180. Li, L. Quantifying Understory and Overstory Vegetation Cover Using UAV-Based RGB Imagery in Forest Plantation / L. Li, J. Chen, X. Mu, W. Li, G. Yan, D. Xie, W. Zhang // Remote Sensing. - 2020. - Vol. 12. - № 2. - P. 298.

181. Lin, C. Classification of tree species in overstorey canopy of subtropical forest using QuickBird images / C. Lin, S. C. Popescu, G. Thomson, K. Tsogt, C. I. Chang // PloS one. - 2015. - Vol. 10. - № 5. - P. 1-23.

182. Lisein J. A photogrammetric workflow for the creation of a forest canopy height model from small unmanned aerial system imagery / J. Lisein, M. Pierrot-Deseilligny, S. Bonnet, P. Lejeune // Forests. - 2013. - Vol. 4. - № 4. - P. 922-944.

183. Lisein, J. Discrimination of deciduous tree species from time series of unmanned aerial system imagery / J. Lisein, A. Michez, H. Claessens, P. Lejeune // PLoS One. -2015. - Vol. 10. - № 11. - e0141006.

184. Liu, W. SSD: Single Shot MultiBox Detector / W. Liu, D. Anguelov, D. Erhan, C. Szegedy, S. Reed, C. Y. Fu, A. C. Berg // In Computer Vision—ECCV 2016; Leibe, B.,

Matas, J., Sebe, N., Welling, M., Eds.; Springer International Publishing: Cham, Switzerland. - 2016. - P. 21-37.

185. Malahlela, O. Mapping canopy gaps in an indigenous subtropical coastal forest using highresolution WorldView-2 data / O. Malahlela, M. A. Cho, O. Mutanga // International Journal of Remote Sensing. - 2014. - Vol. 35. - № 17. - P. 6397-6417.

186. Merino, L. An unmanned aircraft system for automatic forest fire monitoring and measurement / L. Merino, F. Caballero, J. R. Martinez-De-Dios, I. Maza, A. Ollero // Journal of Intelligent & Robotic Systems. - 2012. - Vol. 65. - № 1-4. - P. 533-548.

187. Michez, A. Classification of riparian forest species and health condition using multi-temporal and hyperspatial imagery from unmanned aerial system / A. Michez, H. Piegay, J. Lisein, H. Claessens, P. Lejeune // Environmental monitoring and assessment. - 2016. - Vol. 188. - № 3. - P. 146.

188. Mitchell, R.J. Silviculture that sustains: the nexus between silviculture, frequent prescribed fire, and conservation of biodiversity in longleaf pine forests of the southeastern United States / R.J. Mitchell, J.K. Hiers, J.J. O'Brien, S.B. Jack, R.T. Engstrom // Canadian Journal of Forest Research. - 2006. - Vol. 36. - № 11. - P. 27242736.

189. Mohan, M. Individual tree detection from unmanned aerial vehicle (UAV) derived canopy height model in an open canopy mixed conifer forest / M. Mohan, C.A. Silva, C. Klauberg, P. Jat, G. Catts, A. Dia // Forests. - 2017. - Vol. 8. - № 9. - P. 340.

190. Mora, B. Identifying leading species using tree crown metrics derived from very high spatial resolution imagery in a boreal forest environment / B. Mora, M.A. Wulder, J.C. White // Canadian Journal of Remote Sensing. - 2010. - Vol. 36. - № 4. - P. 332344.

191. Mosteller, F. Data analysis, including statistics / F. Mosteller, J.W. Tukey // Handbook of social psychology. - 1968. - Vol. 2. - P. 80-203.

192. Mucina, L. Common data standards for recoding releves in field survey for vegetation classification / L. Mucina, J.H.J. Schaminee, J.S. Rodwell // Journal of Vegetation Science. - 2000. - Vol. 11. - P. 769-772.

193. Murtaugh, P.A. Performance of several variable selection methods applied to real ecological data / P.A. Murtaugh // Ecology Letters. - 2009. - Vol. 12(10). - P. 10611068.

194. Narkhede, H.P. Review of Image Segmentation Techniques / H.P. Narkhede // International Journal of Science and Modern Engineering (IJISME). - 2013. - Vol. 1. -№ 8. - P. 54-61.

195. Nasi, R. Using UAV-based photogrammetry and hyperspectral imaging for mapping bark beetle damage at tree-level / R. Nasi, E. Honkavaara, P. Lyytikainen-Saarenmaa, M. Blomqvist, P. Litkey, T. Hakala, N. Viljanen, T. // Remote Sensing. -2015. - Vol. 7. - № 11. - P. 15467-15493.

196. Navar, J. Allometric equations for tree species and carbon stocks for forests of northwestern Mexico / J. Navar // Forest Ecology and Management. - 2009. - Vol. 257(2). - P. 427-434.

197. Nelson T. Predicting forest age classes from high spatial resolution remotely sensed imagery using Voronoi polygon aggregation / T. Nelson, B. Roots, M. Wilder, R. Feick // GeoInformatica. - 2004. - Vol. 8. - № 2. - P. 143-155.

198. Nelson, T. Spatial statistical techniques for aggregating point objects extracted from high spatial resolution remotely sensed imagery / T. Nelson, K.O. Niemann, M.A. Wulder // Journal of Geographical Systems. - 2002. - Vol. 4. - P. 423-433.

199. Nevalainen, O. Individual tree detection and classification with UAV-based photogrammetric point clouds and hyperspectral imaging / O. Nevalainen, E. Honkavaara, S. Tuominen, N. Viljanen, T. Hakala, X. Yu, J. Hyyppa, H. Saari, I. Polonen, N.N. Imai, A.M.G. Tommaselli // Remote Sensing. - 2017. - Vol. 9. - № 3. - P. 185.

200. Nezami, S. Tree species classification of drone hyperspectral and RGB imagery with deep learning convolutional neural networks / S. Nezami, E. Khoramshahi, O. Nevalainen, I. Polonen, E. Honkavaara // Remote Sensing. - 2020. - Vol. 12. - № 7. - P. 1070.

201. Ocer, N. E. Tree extraction from multi-scale UAV images using Mask R-CNN with FPN / N.E. Ocer, G. Kaplan, F. Erdem, D. Kucuk Matci, U. Avdan // Remote sensing letters. - 2020. - Vol. 11. - № 9. - P. 847-856.

202. Ozdemir, I. Estimating stem volume by tree crown area and tree shadow area extracted from pan-sharpened Quickbird imagery in open Crimean juniper forests / I. Ozdemir // International Journal of Remote Sensing. - 2008. - Vol. 29. - №2 19. - P. 56435655.

203. Ozdemir, I. Predicting forest structural parameters using the image texture derived from WorldView-2 multispectral imagery in a dryland forest, Israel / I. Ozdemir, A. Karnieli // International Journal of Applied Earth Observation and Geoinformation. 2011. - Vol. 13. - № 5. - P. 701-710.

204. Palace, M. Amazon forest structure from IKONOS satellite data and the automated characterization of forest canopy properties / M. Palace, M. Keller, G. Asner, S. Hagen, B. Braswell // Biotropica. - 2008. - Vol. 40. - № 2. - P. 141-150.

205. Panagiotidis, D. Determining tree height and crown diameter from high-resolution UAV imagery / D. Panagiotidis, A. Abdollahnejad, P. Surovy, V. Chiteculo // International journal of remote sensing. - 2017. - Vol. 38. - № 8-10. - P. 2392-2410.

206. Pandey, S.K. High-Resolution Mapping of Forest Carbon Stock Using Object-Based Image Analysis (OBIA) Technique / S.K. Pandey, N. Chand, S. Nandy, A. Muminov, A. Sharma, S. Ghosh, R. Srinet // Journal of the Indian Society of Remote Sensing. - 2020. - Vol. 48. - P. 865-875.

207. Papaiordanidis, S. Evaluation of spectral indices efficiency in burned area mapping using object-based image analysis / S. Papaiordanidis, M. Tompoulidou, P. Lefakis, I.Z. Gitas // GeoScience. - 2017. - № 2. - P. 65-72.

208. Pix4DCapture: официальный сайт [Электронный ресурс]. — Режим доступа: https://pix4d.com

209. Pontius, J. High spatial resolution spectral unmixing for mapping ash species across a complex urban environment / J. Pontius, R. Hanavan, R. Hallett, B. Cook, L. Corp // Remote Sensing of Environment. - 2017. - Vol. 199. - P. 360-369.

210. Pu, R. Segmented canonical discriminant analysis of in situ hyperspectral data for identifying 13 urban tree species / R. Pu, D. Liu // International Journal of Remote Sensing. - 2011. - Vol. 32. - № 8. - P. 2207-2226.

211. Puliti, S. Inventory of small forest areas using an unmanned aerial system / S. Puliti, H. O. 0rka, T. Gobakken, E. N^sset // Remote Sensing. - 2015. - Vol. 7. - № 8. - P. 9632-9654.

212. Puliti, S. Use of partial-coverage UAV data in sampling for large scale forest inventories / S. Puliti, L. T. Ene, T. Gobakken, E. N^sset // Remote Sensing of Environment. - 2017. - Vol. 194. - P. 115-126.

213. Puliti, S. Use of UAV photogrammetric data for estimation of biophysical properties in forest stands under regeneration / S. Puliti, S. Solberg, A. Granhus // Remote Sensing. - 2019. - Vol. 11. - № 3. - P. 233.

214. Qian, Y. Comparing Machine Learning Classifiers for Object-Based Land Cover Classification Using Very High Resolution Imagery / Y. Qian, J. Yan, W. Zhou, L. Han // Remote Sensing. - 2014. - Vol. 7(1). - P. 153-168.

215. Qin, J. Identifying Pine Wood Nematode Disease Using UAV Images and Deep Learning Algorithms / J. Qin, B. Wang, Y. Wu, Q. Lu, H. Zhu // Remote Sensing. - 2021. - Vol. 13. - P. 162.

216. Rahman, A. K. Z. R. Unmanned aerial vehicle assisted forest fire detection using deep convolutional neural network / A. K. Z. R. Rahman, S. Sakif, N. Sikder, M. Masud, H. Aljuaid, A. K. Bairagi // Intell. Autom. Soft Comput. - 2023. - Vol. 35. - № 3. - P. 852-857.

217. Redmon, J. You Only Look Once: Unified, Real-Time Object Detection / J. Redmon, S. Divvala, R. Girshick, A. Farhadi // In Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 26 June-1 July. - 2016. - P. 779-788.

218. Rikimaru, A. Tropical forest cover density mapping / A. Rikimaru, P.S. Roy, S. Miyatake // Tropical ecology. - 2002. - Vol. 43. - № 1. - P. 39-47.

219. Ronneberger, O. U-net: Convolutional networks for biomedical image segmentation / O. Ronneberger, P. Fischer, T. Brox // Medical image computing and computer-assisted intervention-MICCAI 2015: 18th international conference, Munich, Germany, October 5-9, 2015, proceedings, part III 18. - Springer International Publishing. - 2015. - P. 234-241.

220. Ruchin, A.B. Vertical distribution of beetles (Coleoptera) in pine forests in Central European Russia / A.B. Ruchin, L.V. Egorov, A.A. Khapugin // Diversity. - 2022. - Vol. 14. - № 8. - P. 622.

221. Saarinen, N. Assessing biodiversity in boreal forests with UAV-based photogrammetric point clouds and hyperspectral imaging / N. Saarinen, M. Vastaranta, R. Näsi, T. Rosnell, T. Hakala, E. Honkavaara, M.A. Wulder, V. Luoma, A.M.G. Tommaselli, N.N. Imai // Remote Sensing. - 2018. - Vol. 10. - № 2. - P. 338.

222. Sarabandi, P. Shadow Detection and Radiometric Restoration in Satellite High Resolution Images / P. Sarabandi, F. Yamazaki, M. Matsuoka, K. Kiremidjian // IGARSS 2004. International Geoscience and Remote Sensing Symposium. IEEE. - 2004. - Vol. 6. - P. 3744-3747.

223. Scherzer, O. Handbook of Mathematical Methods in Imaging. Springer. / O. Scherzer - 2011. - P. 1067.

224. Senf, C. Remote sensing of forest insect disturbances: Current state and future directions / C. Senf, R. Seidl, P. Hostert // International Journal of Applied Earth Observation and Geoinformation. - 2017. - Vol. 60. - P. 49-60.

225. Shashkov, M. Ground Surveys Versus UAV Photography: The Comparison of Two Tree Crown Mapping Techniques / M. Shashkov, N. Ivanova, V. Shanin, P. Grabarnik // Information Technologies in the Research of Biodiversity. - Springer, Cham, 2019. - P. 48-56.

226. Shopina, O.V. Stages of Restoration of the Components of Postagrogenic Pine Forest Ecosystems in the Smolenskoye Poozerye National Park / O.V. Shopina, A.P. Geraskina, A.I. Kuznetsova, E.V. Tikhonova, A.V. Titovets, I.M. Bavshin, I.N. Semenkov // Eurasian Soil Science. - 2023. - Vol. 56. - № 1. - P. 16-28.

227. Siegel, A.F. Robust regression using repeated medians / A.F. Siegel // Biometrika. - 1982. - Vol. 69. - № 1. - P. 242-244.

228. Sitch S. Recent trends and drivers of regional sources and sinks of carbon dioxide / S. Sitch, P. Friedlingstein, N. Gruber, S.D. Jones, G. Murray-Tortarolo, A. Ahlström, R. Myneni //Biogeosciences. - 2015. - Vol. 12. - №. 3. - P. 653-679.

229. Spearman, C. The proof and measurement of association between two things / C. Spearman // American Journal of Psychology. - 1904. - Vol. 15. - Issue 1. - P. 72-101.

230. St-Onge, B. Characterizing the height structure and composition of a boreal forest using an individual tree crown approach applied to photogrammetric point clouds / B. St-Onge, F.A. Audet, J. Begin // Forests. - 2015. - Vol. 6. - № 11. - P. 3899-3922.

231. Sudhakar, S. Unmanned Aerial Vehicle (UAV) based Forest Fire Detection and monitoring for reducing false alarms in forest-fires / S. Sudhakar, V. Vijayakumar, C. S. Kumar, V. Priya, L. Ravi, V. Subramaniyaswamy // Computer Communications. - 2020. - Vol. 149. - P. 1-16.

232. Supartono, T. Tree species diversity adapted to Pinus merkusii forests in Gunung Ciremai National Park, West Java, Indonesia / T. Supartono, I. Adhya, D. Kosasih, W. Wildani // Biodiversitas Journal of Biological Diversity. - 2023. - Vol. 24. - № 8.- P. 4314-4323

233. Susaki, J. Segmentation of shadowed buildings in dense urban areas from aerial photographs / J. Susaki // Remote Sensing. - 2012. - Vol. 4. - № 4. - P. 911-933.

234. Tang, L. Drone remote sensing for forestry research and practices / L. Tang, G. Shao // Journal of Forestry Research. - 2015. - Vol. 26. - № 4. - P. 791-797.

235. Torresan, C. Forestry applications of UAVs in Europe: A review / C. Torresan, A. Berton, F. Carotenuto, S.F. Di Gennaro, B. Gioli, A. Matese, L. Wallace // International Journal of Remote Sensing. - 2017. - Vol. 38. - № 8-10. - P. 2427-2447.

236. Tsai, V.J.D. A comparative study on shadow compensation of color aerial images in invariant color models / V.J.D. Tsai // IEEE Transactions on Geoscience and Remote Sensing. - 2006. - Vol. 44. - № 6. - P. 1661-1671.

237. Tuominen, S. Tree species recognition in species rich area using UAV-borne hyperspectral imagery and stereo-photogrammetric point cloud / S. Tuominen, R. Nasi, E. Honkavaara, A. Balazs, T. Hakala, N. Viljanen, J. Reinikainen // International archives of the photogrammetry, remote sensing and spatial information sciences. - Vol. XLII-3/W3. - 2017. - P. 185-194

238. Vanderhoof, M.K. Time series of high-resolution images enhances efforts to monitor post-fire condition and recovery, Waldo Canyon fire, Colorado, USA / M.K.

Vanderhoof, C. Burt, T.J. Hawbaker // International Journal of Wildland Fire. - 2018. -Vol. 27. - № 10. - P. 699-713.

239. Vincent, N. Shadow detection: A review of various approaches to enhance image quality / N. Vincent, S. Mathew // International Journal of Computer Sciences and Engineering. - 2014. - Vol. 2. - № 4. - P. 49-54.

240. Wagner, F. H. Individual tree crown delineation in a highly diverse tropical forest using very high resolution satellite images / F.H. Wagner, M.P. Ferreira, A. Sanchez, M.C. Hirye, M. Zortea, E. Gloor, O.L. Phillips, C.R. de S. Filho, Y.E. Shimabukuro, L.E. Aragao // ISPRS Journal of Photogrammetry and Remote Sensing. - 2018. - Vol. 145. -P. 362-377.

241. Wagner, F.H. Using the U-net convolutional network to map forest types and disturbance in the Atlantic rainforest with very high resolution images / F.H. Wagner, A. Sanchez, Y. Tarabalka, R.G. Lotte, M.P. Ferreira, M.P. Aidar, E. Gloo, O.L. Phillips, L.E. Aragao // Remote Sensing in Ecology and Conservation. - 2019. - P. 1-16.

242. Wang, C. Biomass allometric equations for 10 co-occurring tree species in Chinese temperate forests / C. Wang // Forest Ecology and Management. - 2006. - Vol. 222. - №2 1-3. - P. 9-16.

243. Warner, T.A. Segmentation and classification of high resolution imagery for mapping individual species in a closed canopy, deciduous forest / T.A. Warner, J.B. McGraw, R. Landenberger // Science in China Series E: Technological Sciences. - 2006. - Vol. 49. - № 1. - P. 128-139.

244. Waser, L.T. Evaluating the Potential of WorldView-2 Data to Classify Tree Species and Different Levels of Ash Mortality / L.T. Waser, M. Küchler, K. Jütte, T. Stampfer // Remote Sensing. - 2014. - Vol. 6. - P. 4515-4545.

245. White, J.C. Detection of red attack stage mountain pine beetle infestation with high spatial resolution satellite imagery / J.C. White, M.A. Wulder, D. Brooks, R. Reich, R.D. Wheate // Remote Sensing of Environment. - 2005. - Vol. 96. - P. 340-351.

246. Whitehead, K. Remote sensing of the environment with small unmanned aircraft systems (UASs), part 1: A review of progress and challenges / K. Whitehead, C.H.

Hugenholtz // Journal of Unmanned Vehicle Systems. - 2014. - Vol. 2. - № 3. - P. 6985.

247. WorldClim: Global climate and weather data [Электронный ресурс]. - Режим доступа: https://www.worldclim.org

248. Wu, J. Evaluating the Effects of Shadow Detection on QuickBird Image Classification and Spectroradiometric Restoration / J. Wu, M.E. Bauer // Remote Sensing. - 2013. - Vol. 5. - № 9. - P. 4450-4469.

249. Wulder, M. Local maximum filtering for the extraction of tree locations and basal area from high spatial resolution imagery / M. Wulder, K. O. Niemann, D.G. Goodenough // Remote Sensing of Environment. - 2000. - Vol. 73. - № 1. - P. 103-114.

250. Yan, S. A New Individual Tree Species Recognition Method Based on a Convolutional Neural Network and High-Spatial Resolution Remote Sensing Imagery / S. Yan, L. Jing, H. Wang // Remote Sensing. - 2021. - Vol. 13. - P. 479.

251. Yilmaz, V. Estimating crown diameters in urban forests with Unmanned Aerial System-based photogrammetric point clouds / V. Yilmaz, O. Gungor // International Journal of Remote Sensing. - 2019. - Vol. 40. - № 2. - P. 468-505.

252. Yoon, T.K. Allometric equations for estimating the aboveground volume of five common urban street tree species in Daegu, Korea / T.K. Yoon, C.W. Park, S.J. Lee, S. Ko, K.N. Kim, Y. Son, K.H. Lee, S. Oh, W.K. Lee, Y. Son // Urban Forestry & Urban Greening. - 2013. - Vol. 12(3). - P. 344-349.

253. Yuan, C. Fire detection using infrared images for UAV-based forest fire surveillance / C. Yuan, Z. Liu, Y. Zhang // 2017 International Conference on Unmanned Aircraft Systems (ICUAS). - IEEE, 2017. - P. 567-572.

254. Yuan, C. UAV-based forest fire detection and tracking using image processing techniques / C. Yuan, Z. Liu, Y. Zhang // 2015 International Conference on Unmanned Aircraft Systems (ICUAS). - IEEE, 2015. - P. 639-643.

255. Zahawi, R.A. Using lightweight unmanned aerial vehicles to monitor tropical forest recovery / R.A. Zahawi, J.P. Dandois, K.D. Holl, D. Nadwodny, J.L. Reid, E.C. Ellis // Biological Conservation. - 2015. - Vol. 186. - P. 287-295.

256. Zarco-Tejada, P.J. Tree height quantification using very high resolution imagery acquired from an unmanned aerial vehicle (UAV) and automatic 3D photo-reconstruction methods / P.J. Zarco-Tejada, R. Diaz-Varela, V. Angileri, P. Loudjani // European Journal of Agronomy. - 2014. - Vol. 55. - P. 89-99.

257. Zhao, Y. Estimation of Individual Tree Biomass in Natural Secondary Forests Based on ALS Data and WorldView-3 Imagery / Y. Zhao, Y. Ma, L.J. Quackenbush, Z. Zhen // Remote Sensing. - 2022. - Vol. 14. - № 2. - P. 271.

258. Zhou, J. Multispecies individual tree crown extraction and classification based on BlendMask and high-resolution UAV images / J. Zhou, X. Chen, S. Li, R. Dong, X. Wang, C. Zhang, L. Zhang // Journal of Applied Remote Sensing. - 2023. - Vol. 17. - № 1. - P. 016503.

259. Zhou, W. Object-based land cover classification of shaded areas in high spatial resolution imagery of urban areas: A comparison study. / W. Zhou, G. Huang, A. Troy, M.L. Cadenasso // Remote Sensing of Environment. - 2009. - Vol. 113. - № 8. - P. 17691777.

260. Zhou, X. Detection of Growth Change of Young Forest Based on UAV RGB Images at Single-Tree Level / X. Zhou, H. Wang, C. Chen, G. Nagy, T. Jancso, H. Huang // Forests. - 2023. - Vol. 14. - P. 141 (1-22).

ПРИЛОЖЕНИЕ 1

Сводная информация о точности дистанционного определения характеристик лесов с использованием спутниковых данных сверхвысокого пространственного разрешения (Князева и др., 2021, с дополнениями).

Характеристика Объект исследования Спутник Источник Методы Методы классификации Параметры точности и

сегментации и оценки точности ошибки

Выделение отдельных крон деревьев

Оливковые и апельсиновые QuickBird Daliakopoulos et - ACE Я2 = 0.92, ошибка = 17%

деревья, Крит al., 2009

Городские насаждения, QuickBird Ardila et al., 2012 multiresolution (OBIA) k-NN Ошибка I рода = 39%

Нидерланды Ошибка II рода = 26%

Сомкнутый полог WorldView-2 Wagner et al., custom-built Операция математической ОТ = 85.3%, КК = 0.7

экваториального леса, 2018 морфологии, Rolling ball

Бразилия method

Тропический влажный лес, WorldView-2 Pandey et al., multiresolution (OBIA) функция ОТ = 73%

Индия 2020 принадлежности

Чистые и смешанные WorldView-2 Gonjalves et al., multiresolution (OBIA) k-NN ОТ = 90%

древостои сосны и дуба, 2017 with the contrast

Португалия split

Хвойные деревья, Канада IKONOS Nelson et al., 2002 - LM ОТ = 44%, молодые деревья -

37%, зрелые - 70%

Биометрические параметры древостоев

Объем ствола (м3) Можжевеловое редколесье, QuickBird Ozdemir, 2008 - Визуальное R2adj = 0.64, RMSE = 13.0%

для отдельных деревьев Турция дешифрирование, LR

- ISODATA, LR R2adj = 0.67, RMSE = 12.0%

bottom-up (OBIA) k-NN, LR R2adj = 0.67, RMSE = 12.0%

Запас стволовой Бореальный смешанный лес, QuickBird Chen et al., 2012 multiresolution (OBIA) Аллометрические r = 0.85, RMSE = 52.59 м3/га

древесины Канада уравнения, k-NN

Плантации сосны, Израиль WorldView-2 Ozdemir, Karnieli, 9П11 chessboard stepwise MLR R2 = 0.42, RMSE = 27.18 м3/га

Смешанные леса, Россия IKONOS 2011 Жирин и др., пороговая Кусочно-линейная R2=0.798, RMSE = 18.5%

2018 регрессия

Возраст Смешанные леса, Бельгия IKONOS Kayitakire et al., 9006 - LR R2 = 0.81, RMSE = 0.164

Смешанные леса, Россия IKONOS 2006 Жирин и др., пороговая Кусочно-линейная r = 0.8 - 0.94

2018 регрессия

Бореальный смешанный лес, QuickBird Chen et al., 2012 multiresolution (OBIA) k-NN r = 0.85, RMSE = 3.37 (лет)

Канада

Высота Смешанные леса, Россия IKONOS Жирин и др., пороговая Кусочно-линейная r = 0.77 - 0.9

2018 регрессия

Смешанные леса, Бельгия IKONOS Kayitakire et al., 2006 - LR R2 = 0.76, RMSE = 2.06 м

Полнота Смешанные леса, Россия IKONOS Жирин и др., 2018 пороговая Кусочно-линейная регрессия г = 0.82-0.88

Сомкнутость Смешанные насаждения сосны и тополя, Турция IKONOS Bulut et al., 2019 - MLC SVM polynomial CNN ОТ = 88.79%, КК = 0.85 ОТ = 91.17%, КК = 0.88 ОТ = 89.65%, КК = 0.85

Число Плантации сосны, Израиль WorldView-2 Ozdemir, Karnieli, chessboard stepwise MLR R2 = 0.38, RMSE = 109.56

деревьев Чистые сосновые насаждения, Турция WorldView-2 2011 Günlü et al., 2019 - MLR NN-MLP NN-RBF (N/га) R2adj = 0.33, RMSE = 54.66% R2adj = 0.34, RMSE = 55.00% R2adj = 0.37, RMSE = 53.71%

Диаметр Тропический влажный WorldView-2 Pandey et al., multiresolution Степенная регрессионная R2 = 0.53 (для шореи

лиственный лес, плантации, Индия 2020 модель исполинской) R2 = 0.78 (для тикового дерева)

Стандартное отклонение Плантации сосны, Израиль WorldView-2 Ozdemir, Karnieli, chessboard stepwise MLR R2 = 0.67, RMSE = 0.7

диаметра Категории древостоя по Смешанные насаждения сосны IKONOS 2011 Bulut et al., 2019 MLC ОТ = 93.24%, КК = 0.90

диаметру и тополя, Турция - SVM polynomial NN ОТ = 95.95%, КК = 0.94 ОТ = 93.87%, КК = 0.91

Сумма площадей Плантации сосны, Израиль WorldView-2 Ozdemir, Karnieli, chessboard stepwise MLR R2 = 0.54, RMSE = 1.79 м2 га-1

сечений стволов / 2011

базальная площадь Чистые сосновые насаждения, Турция WorldView-2 Günlü et al., 2019 - MLR NN-MLP NN-RBF R2adj = 0.35, RMSE = 14.71% R2adj = 0.34, RMSE = 34.79% R2adj = 0.51, RMSE = 31.13%

Оценка фитомассы, запаса углерода

Оценка запаса углерода Тропический влажный WorldView-2 Pandey et al., multiresolution Аллометрические г = 0.68, R2 = 48% (для шореи

лиственный лес, плантации, Индия 2020 уравнения, нелинейная регрессия исполинской) г = 0.86, R2 = 74% (для тикового дерева)

Запас фитомассы Чистые и смешанные WorldView-2 Gonjalves et al., multiresolution (OBIA) Аллометрические R2 = 0.89

древостоя древостои сосны и дуба, Португалия 2017 with the contrast split уравнения, k-NN

Бореальный смешанный лес, Канада Чистые сосновые насаждения, QuickBird WorldView-2 Chen et al., 2012 Günlü et al., 2019 multiresolution (OBIA) Аллометрические уравнения, k-NN Аллометрические г = 0.85, RMSE = 39.48 т/га R2adj = 0.34, RMSE = 35.22%

Турция - уравнения, MLR Аллометрические уравнения, NN - MLP Аллометрические уравнения, NN - RBF R2adj = 0.34, RMSE = 35.13% R2adj = 0.57, RMSE = 29.33%

Примечания: фильтр локального максимума (LM), Arbor Crown Enumerator (ACE), Object-based Image Analysis (OBIA), метод k-ближайших соседей (k-NN), линейная регрессия (LR), множественная линейная регрессия (MLR), метод максимального правдоподобия (MLC), метод опорных векторов (SVM), линейный дискриминантный анализ (LDA), расстояние Махаланобиса (MD), Spectral Angle Mapper (SAM), анализ главных компонент (PCA), дерево решений (DT), ансамбль деревьев решений Random Forest (RF), многоиндексный интегральный анализ (MIICA), нейронная сеть (NN): многослойный персептрон (NN-MLR), сеть радиальных базисных функций (NN-RBF), свёрточная нейронная сеть (NN); параметры точности и ошибки - общая точность (ОТ), коэффициент каппа (КК), среднеквадратическая ошибка (RMSE), корреляция (г), коэффициент детерминации (R2).

ПРИЛОЖЕНИЕ 2 Сводная информация о ПП

Таблица 2.1 - Данные наземной таксации ПП

Объект Возрастная группа Код Координаты центра ПП С№08-84) Группа типов леса (по Л.Б. Заугольновой) С П р е 8 за Сц Возраст, лет Кол-во деревьев, шт Формула древостоя Сомкнутость яруса А, % Густота, шт га-1 Средняя высота, м Средний диаметр, см Кол-во деревьев сосны, шт Густота сосны, шт га-1 Средняя высота сосны, м Средний диаметр сосны, см Такс. диаметр сосны, см Объём древесины, м3 га-1 Запас углерода в стволовой древесине, г С га-1

ГПБЗ «Брянский лес» Средневозрастный БР 1 1 52°33'08.3'^ 34°02'45.3"Е Сосняк кустарничково-зеленомошный 2500 61 271 10С+Б+Е 70 1084 19.1 17.35 261 1044 17.4 19.22 19.92 269 91

БР 1 2 52°33'10.2'^ 34°02'52.7"Е Сосняк кустарничково-зеленомошный 2500 68 267 10С+Б+Е 75 1068 20.4 18.84 221 884 20.5 19.35 20.03 306 102

БР 1 3 52°33'06.4'^ 34°02'52.6"Е Сосняк кустарничково-зеленомошный 2500 68 252 10С+Б+Е 75 1008 21.5 21.44 228 912 22.1 21.85 22.40 387 129

Старо-возрастный БР 2 3 52°32'48.3"N 34°00'28.1"Е Сосняк сложный с липой и дубом 2500 86 129 7С+2Ос+1Е+Д 80 516 24.8 28.30 47 188 30.0 37.90 39.42 487 174

БР 2 2 52°32'47.6"N 34°01'12.8"Е Сосняк сложный с липой и дубом 2500 80 205 8С+2Ос+Д+Л 80 820 23.2 24.83 78 312 28.7 33.29 34.34 565 203

БР 2 1 52°32'21.4"N 34°01'37.5"Е Сосняк сложный с липой и дубом 2400 113 158 6С+2Б+1Е+ +1Ос+Д+Л 70 658 22.8 28.20 41 171 29.9 43.78 45.04 675 246

НП «Куршская коса» Молодой ся2017 12 55°06'08.1"N 20°45'05.4"Е Сосняк зеленомошно-лишайниковый 400 23 98 10С 70 2450 2.9 4.84 98 2450 2.9 4.84 5.05 10 4

ся2017 11 55°06'07.7"N 20°45'11.1"Е Сосняк ксерофитно-зеленомошный 400 12 99 10С 70 2475 3.1 5.56 99 2475 3.1 5.56 5.91 15 7

ся2017 2 55°14'06.7"N 20°55'17.6"Е Сосняк ксерофитно-зеленомошный 400 40 170 10С 80 4250 6.8 8.10 170 4250 6.8 8.10 8.87 124 44

ся2017 5 55°08'58.1"N 20°48'40.4"Е Сосняк ксерофитно-зеленомошный 400 23 139 10С+Б 80 3475 8.1 8.69 121 3025 8.2 8.95 9.27 109 47

ся2019 28 55°09'46.1"N 20°50'07.7"Е Сосняк зеленомошно-лишайниковый 100 18 37 8С+2Б 70 3700 7.5 8.65 25 2500 10.0 11.30 12.09 79 34

ся2017 6 54°59'03.6"N 20°33'49.3"Е Сосняк кустарничково-зеленомошный 400 20 82 10С 90 2050 12.3 15.31 82 2050 12.3 15.31 15.74 224 97

Средневозрастный ся2019 42 55°07'47.5"N 20°47'52.1"Е Сосняк зеленомошно-лишайниковый 400 55 72 10С 90 1890 11.8 14.81 72 1800 11.8 14.81 12.63 187 66

ся2019 41 55°07'47.6"N 20°47'17.7"Е Сосняк ксерофитно-зеленомошный 400 50 145 10С 100 3465 10.7 12.55 145 3465 10.7 12.55 12.63 245 86

ся2017 4 55°02'16.5"N 20°39'38.7"Е Сосняк ксерофитно-зеленомошный 900 75 60 10С 50 667 16.0 26.43 60 667 16.0 26.43 27.18 306 96

ся2017_13 55°10'50.6"N 20°51'40.2"Е Сосняк ксерофитно-зеленомошный 400 55 78 10С 80 1950 11.5 17.91 78 1950 11.5 17.91 18.46 300 106

Объект Возрастная группа Код Координаты центра ПП (WGS-84) Группа типов леса (по Л.Б. Заугольновой) С П р е ем за Сц Возраст, лет Кол-во деревьев, шт Формула древостоя Сомкнутость яруса А, % Густота, шт га-1 Средняя высота, м Средний диаметр, см Кол-во деревьев сосны, шт Густота сосны, шт га-1 Средняя высота сосны, м Средний диаметр сосны, см Такс. диаметр сосны, см Объём древесины, м3 га-1 Запас углерода в стволовой древесине, т С га-1

cs2017 3 55°13'24.4'^ 20°54'18.3"Е Сосняк ксерофитно-зеленомошный 400 56 80 10С 80 2000 13.2 16.43 80 2000 13.2 16.43 17.10 306 108

cs2019 1 55°09'13.8'^ 20°49'59.8"Е Сосняк мелкотравно-зеленомошный 400 50 43 10С 80 1075 13.4 19.05 43 1075 13.4 19.05 19.48 215 76

Старовозрастный cs2017 15 55°09'20.2'^ 20°49'49.0"Е Сосняк мелкотравно-зеленомошный 900 105 104 75 1156 17.4 22.91 104 1156 17.4 22.91 23.51 408 145

cs2017 1 55°09'35.3"N 20°49'28.4"Е Сосняк зеленомошно-лишайниковый 2500 110 217 ^ 65 868 20.7 24.93 216 864 20.7 24.91 25.99 438 156

cs2017 14 55°11'01.9"N 20°51'28.8"Е Сосняк кустарничково-зеленомошный 900 90 85 10С 70 944 19.5 26.42 85 944 19.5 26.42 26.98 488 174

cs2019 4 55°09'35.5"N 20°49'42.8"Е Сосняк ксерофитно-зеленомошный 400 130 27 10С+1Е 80 675 16.2 26.08 24 600 16.9 27.71 28.31 319 116

cs2019 27 55°09'42.7"N 20°49'50.5"Е Сосняк ксерофитно-зеленомошный 225 80 9 10С 30 400 17.4 30.49 9 400 17.4 30.49 32.45 281 100

cs2019 11 55°09'38.1"N 20°49'34.8"Е Сосняк ксерофитно-зеленомошный 400 100 33 10С+Е 80 825 16.5 25.59 33 825 16.5 25.59 26.06 352 125

cs2017 7 54°59'22.1"N 20°33'56.1"Е Сосняк ксерофитно-зеленомошные 900 130 36 5С5Е+Б 60 400 19.0 34.79 10 111 24.0 59.17 59.96 476 207

cs2019 272 55°09'44.5"N 20°49'48.1"Е Сосняк ксерофитно-зеленомошный 400 80 110 8С+2Б 40 879 18.5 17.16 81 647 21.0 18.27 21.52 483 176

cs2019 31 55°09'33.7"N 20°50'43.6"Е Сосняк кустарничково-зеленомошный 400 90 33 10С 80 825 16.7 26.56 33 825 16.7 26.56 27.02 382 136

cs2019 3 55°09'30.7"N 20°49'59.0"Е Сосняк ксерофитно-зеленомошный 400 100 28 10С 80 700 17.6 30.42 28 700 17.6 30.42 30.85 442 157

cs2019 24 55°02'23.6"N 20°39'46.8"Е Сосняк мелкотравно-бореальный 400 90 30 7С+3ОлЧ 80 750 17.0 28.00 18 450 17.6 31.19 32.36 439 153

cs2019 112 55°09'37.3"N 20°49'24.4"Е Сосняк мелкотравно-зеленомошный 400 130 37 8С+1Е+1Б 50 925 14.2 22.94 27 675 15.2 26.12 31.44 510 183

НП «Смоленское Поозерье» Молодой smp2017 09B 55°29'11.0"N 31°49'56.6"Е Сосняк мелкотравно-зеленомошный 400 20 74 6С4Б 60 1850 12.0 9.00 25 625 12.0 14.67 16.36 126 55

smp2019 8 55°27'47.0"N 31°38'10.2"Е Сосняк мелкотравно-зеленомошный 400 20 132 А1: 10С+Б 95 5027 7.7 10.44 124 3100 7.6 10.54 11.09 153 67

smp2017 5-04A 55°25'08.4"N 31°37'52.9"Е Сосняк полумертвопокровный 400 25 107 10С+Б 80 2675 12.0 11.36 86 2150 12.0 12.25 12.97 215 94

Средневозрастный smp2019 1 55°27'55.3"N 31°38'58.8"Е Сосняк кустарничково-зеленомошный 2500 75 218 А1: 10С+Б / А2: 9Б1С 40 872 16.3 18.91 201 804 16.3 18.87 20.17 234 83

smp2019 11 55°29'07.5"N 31°52'52.0"Е Сосняк кустарничково-зеленомошный 2500 68 208 А1: 10С / А2: 10Е 50 832 17.2 21.03 157 628 20.4 25.33 26.28 335 111

smp2019 12 55°29'11.9"N 31°52'37.8"Е Сосняк кустарничково-зеленомошный 2500 75 181 А1: 10С / А2: 10С 50 724 19.0 24.20 157 628 21.0 26.90 27.60 368 122

smp2021 s4 55°29'24.8"N 31°54'07.8"Е Сосняк кустарничково-зеленомошный 2500 79 202 9C+E 40 808 15.0 21.59 98 392 20.4 32.07 32.07 365 128

Объект Возрастная группа Код Координаты центра ПП (WGS-84) Группа типов леса (по Л.Б. Заугольновой) "s С с р и S за Сц Возраст, лет Кол-во деревьев, шт Формула древостоя Сомкнутость яруса А, % Густота, шт га-1 Средняя высота, м Средний диаметр, см Кол-во деревьев сосны, шт Густота сосны, шт га-1 Средняя высота сосны, м Средний диаметр сосны, см Такс. диаметр сосны, см Объём древесины, м3 га-1 Запас углерода в стволовой древесине, т С га-1

smp2021 s6 55°27'49.4"N 31°38'21.7"E Сосняк кустарничково-зеленомошный 2500 79 113 9С1Б+Ол+Д 40 452 15.8 22.89 62 248 19.8 30.01 31.70 224 86

Старовозрастный smp2019 13 55°26'55.7"N 31°58'54.8"E Сосняк кустарничково-зеленомошный 2500 95 409 А1: 9С1Б / А2: 7Е3Б 60 1636 23.1 14.15 54 216 23.1 32.72 34.30 331 119

smp2019 3 55°26'05.9"N 32°00'54.8"E Сосняк кустарничково-зеленомошный 2500 80 239 А1: 10С+Б / А2: 5С5Б+Е 60 956 16.0 19.13 157 628 18.4 23.08 26.62 382 138

smp2019 2 55°26'04.5"N 32°00'36.7"E Сосняк мелкотравно-бореальный 2500 105 117 А1: 10С+Б / А2: 10Е 55 468 20.9 28.76 107 428 23.5 33.40 34.89 399 143

smp2021 s5 55°25'00.1"N 31°37'50.3"E Сосняк кустарничково-зеленомошный 2500 86 336 10С+Е+Ряб+Б 50 1344 12.3 16.68 35 140 25.7 42.37 45.16 394 143

smp2019 4 55°28'15.2"N 31°50'57.1"E Сосняк кустарничково-зеленомошный 2500 110 381 А1: 10С+Б / А2: 10Е+Б 70 1524 14.8 17.50 96 384 22.8 31.73 33.05 484 174

Таблица 2.2 - Результаты визуального дешифрирования и автоматической сегментации ПП по данным БПЛА

Объект Возрастная группа Код ЦММ Визуальное дешифрирование Автоматическая сегментация

Высота, м Сомкнутость, % Число деревьев, шт Густота, шт га-1 Средняя площадь кроны, м2 Средний периметр кроны, м2 Сомкнутость, % Число деревьев, шт Густота, шт га-1 Средняя площадь кроны, м2 Средний периметр кроны, м2 Точность (precision) Полнота (recall) Точность (accuracy) F1-мера Средняя степень уверенности (score)