УДК:528.9

Анализ пространственно-временных изменений растительного покрова Минского района с 2010 по 2024 год

 Сун С., аспирант

Научный руководитель: Топаз А.А., доцент

Белорусский государственный университет, Беларусь

В данном исследовании на основе данных дистанционного зондирования, в сочетании с матрицей переходов типов землепользования, нормализованным разностным вегетационным индексом (NDVI), а также методами пространственного автокорреляционного анализа, были всесторонне изучены пространственно-временные особенности изменений растительного покрова в Минском районе в период с 2010 по 2024 гг.

Введение. Дистанционное зондирование является современным методом получения актуальной информации о растительном покрове [1]. Динамическое изменение зеленых насаждений может быть проанализировано и изучено по спутниковым снимкам одной и той же территории в разные временные периоды [2]. Многочисленные функции и качества растений являются основой выживания и развития человечества [3], а изучение регионального растительного покрова играет важную роль в поддержании энергетического баланса экосистемы [4]. Пространственная оценка и оперативный учет изменений в характере растительности возможен с использованием ГИС-технологий на основе типового анализа космических снимков [5]. Он имеет большое практическое значение для анализа и оценки экологической ситуации всего региона. Поэтому в данном исследовании было решено использовать данные дистанционного зондирования для изучения динамики растительного покрова на исследуемой территории за последние пятнадцать лет.

Объекты и методы. Данное исследование посвящено Минскому району, расположенному в центральной части Беларуси, территории, имеющей важное географическое значение, характеризующейся быстрым экономическим развитием и обширным лесным покровом [6], что делает ее подходящей для исследования эволюции растительного покрова.

В рамках исследования были выбраны серии спутниковых снимков Landsat от USGS за 2010 и 2024 гг., подробная информация о которых приведена в таблице (Таблица 1). Летние снимки дистанционного зондирования были выбраны, поскольку в этот период растительность находится в наиболее развитом состоянии. При использовании данных Landsat для расчёта характеристик растительного покрова (например, NDVI), пространственное разрешение 30 метров обеспечивает относительную точность на районном уровне, соответствует требованиям для последующего создания тематических карт и позволяет эффективно избежать избыточности, вызванной чрезмерным объемом обработки данных. Облака в основном распределены в пограничной зоне каждого изображения вида и не находятся в исследуемом районе, поэтому на данные изображения облачность не влияет. Основное программное обеспечение, использованное в исследовании, включает ENVI, ArcGIS и GeoDa.

Таблица 1 - Таблица источников данных космических изображений

Методы. В данном исследовании выбраны нормализованный разностный вегетационный индекс (NDVI) [7], уровень растительного покрова (FVC) [8], индекс Морана [9], рассчитанный и анализируемый фактор данных (Таблица 2). На основе анализа временных рядов, анализа наложения, матрицы переходов типов землепользования, анализа пространственной автокорреляции были извлечены значения NDVI Минского района за 2010 и 2024 годы, созданы тематические карты растительного покрова, региональные трансферные матрицы. Получены данные о различных уровнях растительного покрова и проведен анализ пространственно-временной эволюции растительного покрова.

Для выявления областей и типов изменений был использован анализ наложения, основной принцип которого заключается в сравнении изображений вегетационного индекса или почвенно-растительного покрова за разные периоды на пространственном уровне по пикселям [10].

Матрица передачи землепользования обычно представляет собой двумерную матрицу, показывающую отношения преобразования между типами землепользования в разные моменты времени [11].

Пространственный автокорреляционный анализ – позволяет получить характеристики распределения значений атрибутов географических элементов по всему пространственному масштабу[9].

Таблица 2 - Ключевая информация о факторах данных

Ключевые факторы данных	Основное содержание
NDVI	(NIR – R) / (NIR + R)
FVC	(NDVI-NDVIsoil)/ (NDVIveg-NDVIsoil)
Индекс Морана

Результат и анализ. На основе значений индекса растительности различных типов земельного покрова в 2010 и 2024 годах в качестве точек разделения для различных уровней растительного покрова были выбраны значения 0,1, 0,3, 0,5 и 0,7 соответственно. Всего было получено пять типов уровней: очень низкое покрытие, низкое покрытие, среднее покрытие, высокое покрытие, очень высокое покрытие. Также была получена статистическая таблица процентного соотношения площади различных участков растительного покрова в 2010 и 2024 гг. (Таблица 3), и тематические карты растительного покрова для исследуемого района в 2010 (Рисунок 1) и 2024 (Рисунок 2) годах.

Таблица 3-Площадь участков с различным растительным покровом в 2010 и 2024 годах

как процент от общей площади, покрытой растительностью

2010 год: согласно карте растительного покрова 2010 года, с точки зрения распределения пространственной структуры, зоны с очень низким покрытием растительности в основном распределены на территории водораздела и центральной городской части, кроме того, в юго-западной части Минский район такие зоны выражены значительно сильнее, чем в северо-восточной части. Зоны с низким покрытием растительности в основном сосредоточены вокруг зон с очень низким покрытием, имеют незначительное распространение в западной части Минский район, в целом пространственное распределение зон с низким покрытием отличается высокой регулярностью. Зоны со средним покрытием растительности преимущественно сосредоточены в восточной части Минский район, при этом в небольшом количестве представлены в других его частях. Зоны с высоким покрытием и очень высоким покрытием растительности равномерно распределены по территории Минский район, за исключением водных объектов и центральной городской части.

Согласно данным, в 2010 году в Минском районе была наименьшая доля зон с очень низким покрытием растительности (8,48%); Доля зон с низким покрытием растительности - несколько больше (11,71%); Доли зон со средним, высоким и очень высоким покрытием растительности являются весьма близкими (26,9%, 25,13% и 27,78% соответственно). В 2010 году доля зон с очень высоким покрытием растительности была наибольшей.

2024 год: Согласно карте классов покрытия 2024 года, с точки зрения распределения пространственной структуры, в 2024 году зоны очень низкого покрытия по-прежнему в основном распределены на территории водораздела и главном городском районе, но также есть большие блоки зон очень низкого покрытия, постепенно появляющиеся в периферийных районах; Зоны с низким покрытием растительности в основном по-прежнему расположены вокруг зон с очень низким покрытием, однако вблизи основных городских районов Минский район также наблюдается распространение зон с низким покрытием; Зоны со средним покрытием растительности в Минский район распределены относительно разрозненно; Зоны с высоким покрытием растительности преимущественно сосредоточены в восточной и центральной частях Минский район; Зоны с очень высоким покрытием растительности преимущественно сосредоточены в северной, южной и западной частях Минский район.

Согласно данным таблицы, в 2024 году доля зон с очень низким покрытием и низким покрытием практически очень близка , 9,52 %; Доля зон с низким покрытием растительности составляет 9,39% и является относительно небольшой; Доля зон со средним покрытием растительности значительно снизилась и составила 11,58%; Доля зон с высоким покрытием растительности также незначительно снизилась и составила 20,67%;В то же время доля зон с очень высоким покрытием стабильно увеличилась и составила 48,84 %.

После наложения и анализа данных разного уровня растительного покрова в 2010 и 2024 годах получена матрица переноса территорий между районами разного охвата в Минском районе на 15-летний период с 2010 по 2024 год (Таблица 4).

Таблица 4 - Матрица переносов площадей территорий в пределах исследуемого района

В период с 2010 по 2024 год с зон с высоким покрытием растительности было переведено в зоны других категорий 440,52 км², тогда как 339,76 км² других зон растительного покрова перешли в зоны с высоким покрытием, в результате чего общая площадь зон с высоким покрытием уменьшилась; 205,46 км² зон с низким покрытием растительности были переведены в зоны других категорий, тогда как 153,51 км² других зон растительного покрова перешли в зоны с низким покрытием, в результате чего общая площадь зон с низким покрытием уменьшилась; Из зон с очень высоким покрытием растительности было переведено 200,65 км² в зоны других категорий, однако 672,5 км² других зон растительного покрова перешли в зоны с очень высоким покрытием, в результате чего общая площадь зон с очень высоким покрытием увеличилась; Зоны с очень низким покрытием растительности были переведены в зоны других категорий на площади 87,67 км², однако 111,46 км² других зон растительного покрова перешли в зоны с очень низким покрытием, в результате чего общая площадь зон с очень низким покрытием также незначительно увеличилась; Зоны со средним покрытием растительности были переведены в зоны других категорий на площади 522,6 км², при этом в эту категорию добавилось 179,71 км², в результате чего общая площадь зон со средним покрытием также уменьшилась.

Для лучшего анализа характеристик пространственного распределения NDVI был проведен глобальный пространственный автокорреляционный анализ значений NDVI с помощью программы GeoDa. Значение коэффициента Moran's I составило 0,512, после 999 случайных прогонов было получено p-значение менее 0,001 и z-значение 36,63211. Таким образом, можно предположить, что значения NDVI обладают сильной пространственной автокорреляцией. Однако глобальный индекс Морана I не указывает на пространственное расположение агрегации NDVI.

Локальный автокорреляционный анализ был проведен для значений NDVI, чтобы построить диаграммы рассеяния Морана (Рисунок 3), косая линия указывает на линейную корреляцию, а перекос - на I Морана. Для более детального анализа локальной пространственной агрегации NDVI с помощью программы GeoDa построены LISA-карты локальной пространственной агрегации значений NDVI при уровне значимости P<0,05 (Рисунок 4).

LISA-карта показывает, что зоны с низко-низкой кластеризацией (LL) преимущественно расположены в центральной части исследуемой территории и в водной зоне, тогда как зоны с высоко-высокой кластеризацией (HH) сосредоточены главным образом в северной, западной и южной частей исследуемого района.

Заключение. На основании полученных в ходе исследования данных можно сделать вывод, что индекс растительности Минского района в целом показывает незначительную положительную динамику с 2010 по 2024 год, при этом значительно увеличивается доля площади только очень низких и очень высоких участков покрытия, и значительно уменьшается доля площади всех остальных участков покрытия. Согласно матрице переноса участков с разной степенью покрытия, с 2010 по 2024 год растительность смещалась от зон с относительно низким покрытием к зонам с относительно высоким покрытием, общая площадь растительности значительно увеличилась. Распределение растительности по зонам с разной степенью покрытия имело тенденцию к концентрации, и пространственная структура характеризовалась высокой упорядоченностью. Кроме того, проекты застройки в пределах исследуемой территории постепенно распространялись радиально от центральной части района к периферии, что соответствует особенностям изменений территории в условиях интенсивного развития и строительства. Согласно результатам, полученным с помощью пространственной автокорреляции и других методов анализа, зоны с низкой кластеризацией преимущественно расположены в центральной части Минский район и в водных зонах, тогда как зоны с высокой кластеризацией сосредоточены главным образом в северной, западной и южной частях Минский район.

Новизна данного исследования заключается в том, что большинство исследований сосредоточено на качественном анализе или количественном исследовании, но данное исследование отличается от традиционного подхода, сочетая качественный анализ и количественное исследование, чтобы показать пространственную и временную эволюцию растительного покрова в исследуемом районе за последние пятнадцать лет с разных точек зрения. Полученные результаты имеют справочную ценность для анализа на других пространственных масштабах административных районов.

Библиографический список

1. Олейников М.И., Честа О.И., Королев С.Ю., Лебедев В.И. Использование моделей отражения для определения характеристик космических объектов по результатам оптических наблюдений // Вопросы радиоэлектроники. Серия: Техника телевидения. — 2020. — № 4. — С. 26–35.
2. Лис К.Я., Кислицын Д.А. Прикладные аспекты автоматизации выявления последствий лесных пожаров на основе данных ДЗЗ и ГИС-технологий // Материалы I Белорусского географического конгресса. — Минск : БГУ, 2024. — С. 102–106.
3. Чжу Си и др. Прогресс в исследовании состава и функций подлесной растительности // Мировые исследования лесного хозяйства, — 2014. — С. 24–30.
4. Цинь Вэй. Прогресс в исследовании растительного покрова и методов его измерения // Журнал Северо-Западного университета сельского хозяйства и лесного хозяйства (естественные науки). — Янлин, 2006. — Т. 34, № 9.
5. Мониторинг и оценка состояния растительного покрова: Материалы Международной научно-практической конференции, Минск, 28–31 окт. 2003 г. — Минск : ИООО «Право и экономика», 2003. — 233 с.
6. Лепшова О.В., Латыш Н.А., Попкович И.Р., Бритова А.А. Влияние валообразующих отраслей на экономику Минской области: факторный анализ // Экономический бюллетень Научно-исследовательского экономического института Министерства экономики Республики Беларусь. — 2019. — № 9(267). — С. 60–69.
7. Михайлов Н.Н., Михайлова Л.А., Харламова Н.Ф., Лхагвасурэн Ч. Использование временных рядов вегетационного индекса NDVI для мониторинга растительного покрова степной зоны Западной Сибири // Научные ведомости Белгородского государственного университета. Серия: Естественные науки. — 2010. — № 15(86). — С. 25–33.
8. Hu J., Feng H., Wang Q. Предварительно обученные сети глубокого обучения и многоспектральные изображения улучшают оценку LCC, FVC и зрелости кукурузы // Дистанционное зондирование. — 2024. — Т. 16, № 5. — С. 784.
9. Ло Циньцинь, Лю Фэнлянь. Пространственно-временная эволюция и движущие силы ландшафтного экологического риска в бассейне реки Чишуй (участок Гуйчжоу) // Китайский журнал экологического сельского хозяйства. — Пекин, 2025. — С. 282–290.
10. Кожанов А.И. Пространственный анализ и операции наложения в геоинформационных системах // Ассоциация научных сотрудников «Сибирская академическая книга». — Новосибирск,  2018. — С. 218–223.
11. Хун Минь, Лю Сяофэн. Пространственно-временная модель изменения землепользования и прогнозирование тенденций в среднем течении Желтой реки // Технология дистанционного зондирования и ее применение. — Пекин, 2025. — С. 1–15.

1. Единый государственный реестр недвижимости и земельно-имущественные отношения
   
2. Мониторинг природных ресурсов и охрана окружающей среды
   
3. Комплексное использование природных ресурсов
   
4. Современные вопросы геологии
   
5. Физика горных пород
   
6. Новые технологии в природопользовании
   
7. Применение современных информационных технологий
   
8. Экономические аспекты недвижимости
   
9. Мониторинг использования объектов недвижимости
   
10. Топографо-геодезическое обеспечение кадастровых работ
    
11. Современные технологии в профессиональном образовании