На основании обработки разносезонных съемок с беспилотного летательного аппарата (БПЛА) проведено построение базы данных пространственного распределения крон древесных пород лесного полигона «Ляльский» с привязанными атрибутивными характеристиками. Выделение границ крон выполнено с использованием объектно-ориентированной сегментации изображений по текстурно- и яркостно-однородным участкам, выбора локальных максимумов в пределе контуров, соответствующих освещенным верхушкам деревьев, выращивания участков крон по методу водоразделов. Сравнение сходимости суммарных площадей крон выделенных классов деревьев, полученных автоматизированным и экспертным методами, демонстрирует высокий класс сходимости по двум независимым участкам (85,8 и 90,3 %). Критерии статистической разделимости и межклассовой преобразованной дивергенции демонстрируют наличие возможностей для выделения сухостоя, крон лиственных пород, темнохвойных пород и сосны по спектральным величинам. Ординационная диаграмма многомерного неметрического шкалирования по величинам мультиспектральных летних и осенних съемок модельных деревьев выделяет ядра классов, характеризующих эти породы. Разделение модельных участков крон по классам породного состава показало средний уровень сходимости с экспертной оценкой (общая сходимость 77,3 %, коэффициент Каппа 67,5 % при n = 2631 дереву). Наибольшей точностью определения обладали темнохвойные породы и сухостой, наименьшую — имела осина. Полученные материалы оформлены в виде базы данных «База данных о пространственном распределении древесных пород на тестовом полигоне «Ляльский» (средняя тайга, северо-восток Восточно-Европейской равнины)». Данные планируется использовать для построения пространственных моделей с привлечением спектрозональных спутниковых снимков (построение моделей методом разложения спектральных смесей и их верификации) и получения таксономических показателей древостоев.
Введение
Большинство современных лесоэкологических исследований не обходится без данных дистанционного зондирования Земли. При этом наблюдается тенденция смещения дистанционного космического мониторинга к использованию беспилотных летательных аппаратов (БПЛА). Они выступают с бо́льшим количеством преимуществ: пространственная детальность, меньшее влияние атмосферного воздействия и облачности, повторяемость, мобильность в передвижении и управлении. Материалы аэрофотосъемки, полученные в ходе исследований структуры полога древостоев, позволяют надежно и уверенно переходить от видимых и измеряемых показателей к косвенным величинам инвентаризации и при экологической характеристике лесных насаждений. Анализ литературы показывает, что большинство современных исследований на базе БПЛА направлены на решение прикладных задач. Среди них выделяются следующие основные направления.
Инвентаризация лесов. В последнее время бо́льшей популярностью пользуются исследования на основе лидарных данных, которые способны зафиксировать, оценить и спрогнозировать различные показатели продуктивности древостоев. Использование фотограмметрии и спектральных характеристик лесного покрова позволяет определять параметры продуктивности как отдельных деревьев, так и лесных массивов.
Детектирование влияния вредителей и болезней. По мнению некоторых исследователей, одним из проявлений климатических изменений в бореальных лесах можно назвать длительные вспышки и смещение ареалов видов жуков-короедов, птиц. Сегментация БПЛА изображений лесных участков с последующей спектральной идентификацией крон активно используется для выявления поражения патогенными насекомыми и усыхания.
Анализ породного состава. О. Невалайнен с коллегами отмечают, что использование БПЛА для картографирования бореальных лесов дает приемлемые результаты: общая точность классификации по методу Random Forest и MLP достигает 95 %, F-score — 0,93. В своей работе А. Мичез с соавторами достигли точности классификации 84 % при использовании пяти различных видов деревьев, но результаты были ближе к классификации на основе пикселей, где одно дерево не было представлено как единое целое. Применение 3D-сверточных нейронных сетей на основе цифровой модели местности (ЦММ), гиперспектральных и RGB (R — англ. Red; G — англ. Green; B — англ. Blue) каналов позволяет увеличить точность классификации породного состава крон до 99,6 % для сосны, 94,8 % для ели и 97,4 % для березы.
Мониторинг пожаров и анализ их последствий. Ряд исследований показывает, что темпы восстановления растительности после пожаров можно оценить с помощью вегетационных индексов. По мнению А. Талуччи с коллегами, хорошим показателем для прогнозирования продуктивности лиственничных лесов Сибири является нормализованный разностный индекс растительности NDVI (англ. Normalized Difference Vegetation Index), который приемлемо прогнозирует такие показатели, как объем надземной биомассы и диаметр ствола (R2 = 0,52). В своем исследовании Р. Фрейзер с соавторами провели сравнение степени повреждений растительности от пожаров по изображениям Landsat и масштабированным на их основе снимкам с БПЛА с помощью нормализованного индекса гарей NBR (англ. Normalized Burn Ratio) до и после пожара. Результаты показали, что NBR после пирогенного влияния имеет самую сильную связь с долей обугленной поверхности, представленную в виде экспоненциальной функции (R2 = 0,79).
Данные БПЛА-съемки становятся основой для построения баз данных (БД) различной направленности. Информативная ценность БД состоит в возможности привлечения детальных спектральных съемок или тематических слоев крон породного состава для спектрального моделирования по материалам меньшего пространственного разрешения, но имеющих бо́льший временной охват, с целью выявления сезонных и межгодовых трендов изменения лесных фитоценозов, валидации характеристик древостоев по спектрозональным показателям снимков среднего пространственного разрешения, получения материалов по таксационным признакам и последующей лесохозяйственной инвентаризации лесов. Еще в 1977 г. исследованиями В.В. Кузьмичева была установлена связь крон деревьев с другими таксационными показателями для разных типов леса. Для целей лесной инвентаризации разработаны различные методы определения отдельных деревьев (англ. individual tree detection — ITD), в том числе с использованием воздушного лазерного сканирования. Авторы отмечают, что точность методов ITD невысока из-за варьирования плотности древостоя и маскирующего влияния верхнего полога (смешанный–хвойный лес умеренного пояса). Среднее значение (F-score) и стандартное отклонение (±SD, англ. Standard Deviation) составляют в среднем 0,47±0,03. В последнее время для выделения крон активно используются и технологии нейронных сетей U-Net и Deeplabv3+. Привлечение спектральных свойств оптических спутниковых съемок показывает возможность достаточно полного разделения видового состава смешанных лесов европейской части России.
Автоматизированный алгоритм распознавания крон ITCD (англ. Individual Tree Crowns Delineation), предложенный А.Н. Сафоновой с коллегами, включал три этапа: предварительную обработку (усиление контраста), сегментацию крон на основе вейвлет-преобразования и попиксельную ансамблевую контролируемую классификацию с последующим выделением границ. Для типичных сцен точность выделения контуров крон (на примере лесных массивов Западно-Балканского хребта (Болгария), поврежденных еловым короедом) составляла около 95 %.
Цель настоящей работы состояла в анализе и построении собственного алгоритма для автоматизированного построения БД по пространственному распределению древесных пород на основании обработки материалов спектрозональной БПЛА-съемки.
Район исследования
На территории государственного природного заказника «Ляльский» в 2023 г. был организован одноименный тестовый полигон (координаты центра: 62,27° с.ш., 50,70° в.д.) для долговременного мониторинга климатически активных веществ (рис. 1). Полигон расположен в пределах Мезенско-Вычегодской полого-увалистой равнины, поверхность которой покрыта четвертичными отложениями мощностью в десятки метров. Рельеф плоский, овражно-балочная сеть выражена слабо, средняя высота рельефа — 125 м. По территории полигона протекает река Мая. Климат — умеренно континентальный. Преобладающие направления ветра — юг, юго-запад. Продолжительность вегетативного периода составляет 140–150 дней. Среднегодовая температура воздуха +0,1 °С. Осадков за год выпадает 1000–1100 мм, из них на период вегетации растений приходится 380–450 мм.
Рис. 1. Район исследования: а — в масштабе Североевропейской таежной провинции; б — в масштабе заказника (черная штриховая линия — граница заказника «Ляльский», красная — граница тестового полигона).
Согласно почвенно-географическому районированию Республики Коми модельный участок относится к Вымь-Вычегодскому округу типичных подзолистых иллювиально-железистых подзолов, торфянисто-подзолисто-глееватых иллювиальногумусовых почв подзоны средней тайги. По ботанико-географическому районированию территория приурочена к полосе среднетаежных лесов Кольско-Печорской подпровинции Североевропейской таежной провинции Евроазиатской таежной (хвойно-лесной) области.
Обработка материалов БПЛА-съемок
На модельный участок территории Ляльского заказника получена разносезонная съемка с беспилотного аэрофотосъемочного комплекса «Геоскан 201» и «Геоскан 401 Лидар» (съемка ООО «Геоскан», Санкт-Петербург). Площадь съемки составила 4 км2. Пространственное разрешение полученных аэрофотоснимков в RGB-диапазоне 3 см/пиксель, в мультиспектральном (R, G, B, RE (англ. Red Edge), NIR (англ. Near InfraRed)) — 15 см/пиксель. Общее число изображений за летний (08.06.2024) и осенний (19.09.2024) период съемок в видимом и мультиспектральном диапазонах включает 8623 и 43 070 снимков соответственно. На основании съемок получены ортофотопланы, цифровые модели местности и рельефа. Пространственное разрешение ЦММ для участка — 6 см, детальность RGB-изображений, использованных при выделении локальных максимумов крон (англ. regional maximum), составила 3 см. Выделение «верхушек» крон по ЦММ и локальных максимумов по RGB часто не совпадало: порядка 85 % верхушек, определенных по ЦММ, были смещены относительно локальных максимумов RGB не более чем на 0,6 м. Выделение крон по высоте полога давало бóльшую величину погрешности.
Методика автоматизированного выделения крон деревьев включала этапы:
- объектно-ориентированную сегментацию изображения на основе однородных по текстуре и яркости участков (модуль ENVI FX);
- нивелирование сегментов с высотой растительного покрова менее 2 м;
- перевод RGB-изображения в производные величины интенсивности через использование функции INTENS в программном обеспечении ERDAS Imagine;
- выбор локальных максимумов яркости растра в пределах сегментов деревьев по величинам их яркостных характеристик (верхушки освещенных деревьев характеризуются наибольшими яркостными значениями) и их преобразование в центральные полигоны крон (верхний квартиль значений по сегменту);
- «выращивание» областей крон от участков центральных полигонов крон на основании анализа спектральных величин по методу водоразделов.
Сравнение корректности выделения контуров крон отдельных классов деревьев выполнено путем сопоставления их перекрывающихся площадей на изображениях, полученных автоматизированным и экспертным методами.
Снятие яркостных величин в различных диапазонах съемки проводили по выполненным на участке лесотаксационным описаниям с отмеченными координатами модельных деревьев разных пород, включающих выборку размером не менее 100 шт. по кронам каждого класса: сухостой, береза (Betula pubescence), осина (Populus tremula), сосна (Pinus sylvestris), ель (Picea obovata) и пихта (Abies sibirica). Визуализацию различий выделяемых классов древостоев проводили построением ординационной диаграммы многомерного неметрического шкалирования (англ. non-metric multidimensional scaling — NMS) по величинам мультиспектральных летних и осенних съемок модельных деревьев. Возможности разделения крон деревьев по породам оценивали с использованием статистических критериев. Распознаваемость доминирующих классов по локальным максимумам анализировали по критериям статистической разделимости (R) и межклассовой преобразованной дивергенции (англ. transformed divergence — ) DTij. Критерии широко используются при анализе распознаваемости выделяемых классов земной поверхности, древесных пород, типов леса и разных лесовосстановительных стадий, классов сельскохозяйственных земель, тундровой растительности.
Для центральных полигонов крон модельных деревьев доминирующих пород были сняты значения спектральных каналов по двум разносезонным периодам съемки, что позволило разработать набор индексов, пороговых величин и правил для разделения пород с достижением условия получения минимальных показателей ошибки определения:
| Сухостой: |
Red Edgeлетнее − Blueлетнее
≤ 0,537 Red Edgeлетнее + Blueлетнее |
|---|---|
| Береза: |
NDVIлетнее − NDVIлетнее ≥ 0,081
|
| Осина: |
NDVIлетнее ≥ 0,893
|
| Сосна: |
RedОФП − GreenОФП
≥ -0,173RedОФП + GreenОФП |
| Темнохвойные: |
RedОФП − GreenОФП
< -0,173RedОФП + GreenОФП |
П р и м е ч а н и е: Red Edge, Blue — каналы мультиспектральной БПЛА-съемки; RedОФП и GreenОФП — каналы ортофотоплана RGB БПЛА-съемки.
Привлеченные для работы изображения нельзя рассматривать как эталонные. На спектральные характеристики растительного покрова влияло множество факторов: время съемки (положение солнца, особенно в северных широтах), состояние атмосферы (прежде всего облачность), освещенность, сезоны съемки (фенологическое состояние древесных пород) и др. Поэтому любая съемка рассматривается как уникальная и результаты ее обработки требуют оценки. При выделении крон приходится отказываться от использования осенних съемок ввиду наличия искажений из-за бо́льших площадей падающих от деревьев теней, маскирующих соседние кроны. Спектральные зависимости, выявленные по использованным съемкам, являются уникальными, полученными для конкретных условий, однако сам метод может быть охарактеризован как универсальный. Статистическую оценку ограничений используемого подхода не проводили.
Точность классификации породного состава крон по выделенным порогам оценивали построением матрицы ошибок, с расчетом коэффициентов общей сходимости (в %) и коэффициентом Каппа (κ, %).
Результаты
Для упрощения процесса обработки участок съемки был разделен на 119 выделов. Основные статистические работы выполняли по двум выделам (рис. 2, см. с. 121). Целесообразность разделения территории определялась прежде всего необходимостью снижения объема обрабатываемых данных (средняя площадь выдела варьировалась от 1,4 до 5,3 га, что соответствует объему 18,0–27,6 Мб). Построение выделов проводилось в ручном режиме: сначала по линейный объектам (ЛЭП, трасса оптоволоконного кабеля, лесные дороги, зарастающие волока), затем более дробное деление выполняли с условием, чтобы построенные границы не пересекали (огибали) соседствующие кроны. В работе детально рассмотрены два выдела (12 % всего изображения), благодаря наличию подробных геоботанических описаний и фиксированных координат крон деревьев. Выделы включают еловые растительные сообщества (ельник чернично-сфагновый и ельник чернично-зеленомошный), которые являются зональными и преобладающими на территории всего полигона.
После процесса сегментации на участках выделено порядка 3–4 тыс. элементов, определенных как кроны и части крон отдельных деревьев. Лиственные породы в отдельных случаях формировали в пределах одного дерева множество объектов, что существенно влияло на ошибку определения их количества.
Рис. 2. Пример исходного слоя распределения крон участка Ляльского лесоэкологического стационара на основании съемки БПЛА: а — фрагменты модельных выделов; б — общий вид мозаики участка
Для оценки корректности выделения крон проводили корректировку контуров и экспертное объединение сегментов крон. Полученный векторный слой использовали для сравнения результатов работы автоматизированного алгоритма. Наиболее высокие отклонения между автоматическим и экспертным выделением имели кроны лиственных пород. После объединения излишних выделенных элементов в пределах участков количество лиственных деревьев на двух участках было снижено в 1,17 и 2,29 раза. Число элементов других пород было снижено в гораздо меньшей степени (сухостой — 1,2–1,1; сосна — 0,77–1,1; темнохвойные — 0,99–1,16).
Сходимость расположения крон, полученных автоматизированным и экспертным методами при наложении слоев (пиксели одного слоя соответствуют второму), достигала на участках 85,8 и 90,3 % соответственно. Различия спектральных показателей крон деревьев на съемках с БПЛА позволяют подойти к решению вопроса разделения доминирующих пород деревьев. Также во время полевых исследований снимали GPS-координаты (англ. Global Positioning System) крон деревьев для формирования выборки разных пород. При выделении и анализе моделей древесного полога на участках с различной плотностью древостоев целесообразно привлекать и данные разносезонных съемок, в том числе зимних, для более надежного выделения крон в сомкнутых хвойных древостоях.
Сравнение критериев разделимости (R и DTij) для измеренных выборок сигнатур однородных по составу классов установило наличие различий в оценках их распознаваемости. Наиболее полное разделение классов, отмеченное по обоим критериям (табл. 1), наблюдали для сухостойных деревьев. Это определяет широкий набор алгоритмов и опубликованных работ, связанных с выделением и анализом прежде всего погибших деревьев. Большинство крон живых деревьев демонстрирует средний уровень разделимости: класс лиственных пород, сосны. Между елью и пихтой отмечена низкая разделимость, поэтому классы были объединены в одну группу (темнохвойные).
| Породы | Осина | Береза | Сосна | Ель | Пихта |
|---|---|---|---|---|---|
| Сухостой | 2,54/2000 | 1,94/1941 | 1,36/1928 | 1,75/1886 | 2,0/1809 |
| Осина | — | 0,97/1776 | 2,94/2000 | 1,51/1970 | 1,03/1923 |
| Береза | — | — | 1,65/1950 | 1,24/1788 | 1,24/1742 |
| Сосна | — | — | — | 1,24/1106 | 1,65/1525 |
| Ель | — | — | — | — | 0,39/148 |
П р и м е ч а н и е: Уровни разделимости по критериям R* и DijT** представлены в градациях:
| 1* — низкий (R < 1,0); 2 — средний (R = 1,0...1,96); 3 — хороший (R > 1,96). |
1** — разделимость классов плохая (DijT <1700); 2 — средняя (Dij ∈ [1700...1900]); 3 — хорошая (DijT >1900). |
Классификация деревьев выделенных контуров по породному составу включала разделение на классы: сухостой, береза, осина, пихта, ель и сосна. На ординационной диаграмме NMS с использованием разносезонных съемок (рис. 3а) отчетливо выделены сухостой и сосна. Спектральные показатели ели и пихты имели близкие значения, они объединены в общий класс темнохвойные. Схожая ситуация наблюдается с лиственными породами — березой и осиной, однако их разделение сохраняли. Ординационная диаграмма NMS демонстрирует обособленность класса сухостоя и наиболее широкий диапазон варьирования для класса лиственных пород. Близкое расположение классов сосны и темнохвойных пород демонстрирует сходство и возможности появления ошибок определения в следствие их спектрального перекрытия.
Рис. 3. Ординационные диаграммы многомерного неметрического шкалирования по величинам мультиспектральных летних и осенних съемок модельных деревьев (а), по набору рассчитанных индексов (б). Цветом обозначены модельные деревья различных пород: сухостой — синим, береза — зеленым, осина — розовым, сосна — красным, ель — голубым, пихта — желтым
Использование спектральных индексов позволило в лучшей степени выделять и различать «ядра» облаков рассеивания отдельных классов крон (см. рис. 3б). Исключение составили кроны пихты и ели, которые имели существенное перекрытие.
Рассчитанные пороги разделения статистически обоснованно выделяют на изображении пять классов пород: сухостой, береза, осина, сосна, темнохвойные (ель, пихта) (рис. 4). На основании найденных величин контуры были разделены на различные породы с получением тематических карт (см. рис. 4). Привлечение полевых данных по распределению пород позволило рассчитать матрицу ошибок (табл. 2), оценивающую общую точность определения породного состава. Общая сходимость экспертной и автоматизированной оценки породной идентификации 2631 кроны деревьев составила 77,3 %. Наибольшая ошибка распознавания приходится на осину, что является следствием небольшой представленности породы на модельном участке. Большая часть деревьев была отнесена к березе. Наиболее точно определялись темнохвойные породы (91,3 %).
Рис. 4. Результаты процедуры автоматизированного построения крон деревьев в пределах модельных выделов
Таблица 2. Матрица сходимости определения крон деревьев по модельному участку автоматизированным и экспертным методом определения
| Автоматизированная обработка БПЛА | |||||||||
|---|---|---|---|---|---|---|---|---|---|
| Порода | Сухостой | Осина | Береза | Сосна | Ель (пихта) | Итого | РА, % | ||
| Экспертная оценка | Сухостой | 76 | 0 | 2 | 10 | 2 | 90 | 84.4 | |
| Осина | 0 | 5 | 2 | 0 | 0 | 7 | 71.4 | ||
| Береза | 4 | 36 | 657 | 38 | 60 | 795 | 82.6 | ||
| Сосна | 10 | 0 | 6 | 544 | 10 | 570 | 95.4 | ||
| Ель (пихта) | 26 | 8 | 124 | 259 | 752 | 1169 | 64.3 | ||
| Итого | 116 | 49 | 791 | 851 | 824 | 2631 | |||
| UA, % | 65.5 | 10.2 | 83.1 | 63.9 | 91.3 | Всего | 77.3 | ||
| х | 67.5 | ||||||||
П р и м е ч а н и е: UA — показатель точности пользователя (англ. User’s Accuracy); PA — показатель точности производителя (англ. Producer’s Accuracy).
Объединение классов береза и осина в общий класс «лиственные» дало повышение общей точности классификации на 1,5 % и коэффициента Каппа на 1,8 %. Принимая во внимание эти незначительные изменения, согласно критериям оценки коэффициента Каппа, выходные данные классификаций с учетом разделения лиственных пород и без него имеют существенную степень согласованности с полевыми данными (табл. 3).
Таблица 3. Матрица сходимости определения крон деревьев по модельному участку автоматизированным и экспертным методом определения
| Автоматизированная обработка БПЛА | |||||||||
|---|---|---|---|---|---|---|---|---|---|
| Порода | Сухостой | Лиственные | Сосна | Ель (пихта) | Итого | РА, % | |||
| Экспертная оценка | Сухостой | 76 | 2 | 10 | 2 | 90 | 84,4 | ||
| Лиственные | 4 | 700 | 38 | 60 | 802 | 87,3 | |||
| Сосна | 10 | 6 | 544 | 10 | 570 | 95,4 | |||
| Ель (пихта) | 26 | 132 | 259 | 752 | 1169 | 64,3 | |||
| Итого | 116 | 840 | 851 | 824 | 2631 | ||||
| UA, % | 65,5 | 83,3 | 63,9 | 91,3 | Всего | 78,8 | |||
| х | 69,3 | ||||||||
Анализ полученных тематических карт породного состава (см. рис. 4) дает представление о пространственном распределении пород на участках. На долю полога леса модельных выделов приходится 62,8 и 63,9 % от всей площади. Для участков характерно абсолютное доминирование ели (45,8 и 49,1 %) и высокая примесь березы (19,0 и 26,1 %). Достаточно часто встречена осина (13,4 и 19,4 %), реже сосна (10,3 и 12,4 %). На долю сухостоя приходилось 2,3 и 2,4 % от всей площади лесного полога. На участках отмечено произрастание 2,63 и 2,47 тыс. деревьев. Из них подавляющее большинство ель (54,2 и 57,5 %), реже береза (14,1 и 19,6 %). В зависимости от условий местообитаний варьирует количество осины (от 8,0 до 18,7 %). Число деревьев сосны не превышает 9,3 и 10,5 %. На рассмотренных выделах наблюдали 3,7 и 4,4 % крон засохших деревьев. Дополнительно для каждого дерева установлена индивидуальная величина верхушки (породный класс, координаты, высота), длина контура и площади проекции кроны.
Заключение
Полученные спектрозональные съемки БПЛА позволяют статистически обоснованно выделять кроны отдельных пород автоматизированными методами с построением тематических карт. Оценка сходимости материалов инструментальных и дистанционных измерений, проведенных автоматизированными алгоритмами ГИС-анализа, показала ошибку выделения площадей контуров крон по рассмотренным выделам в 14,2 и 9,7 %. При анализе сходимости крон, выделенных инструментальными и автоматическими методами по спектральным величинам, ошибка составила 21,2–22,7 %. Наибольшие показатели разделимости по спектральным величинам, полученным с БПЛА, отмечены в отношении сухостоя. Однако по отдельным породам и их группам показатели сходимости изменялись от 64,3 % (ель/пихта) до 95,4 % (сосна), а ошибка соответственно — от 4,6 до 35,7 %. Разреживание полога крон при продвижении к крайним границам ареала должно увеличивать межкроновые промежутки (для модельных участков на межкроновые участки приходилось 37,2 и 36,1 % площади изображения) и повышать точность выделения крон деревьев.
Полученные материалы легли в основу построения БД «База данных о пространственном распределении древесных пород на тестовом полигоне «Ляльский» (средняя тайга, северо-восток Восточно-Европейской равнины)» в государственной информационной системе учета (№ 2024623720 от 23.08.2024).
Работа выполнена в рамках важнейшего инновационного проекта государственного значения (ВИП ГЗ) «Разработка системы наземного и дистанционного мониторинга пулов углерода и потоков парниковых газов на территории Российской Федерации, обеспечение создания системы учета данных о потоках климатически активных веществ и бюджете углерода в лесах и других наземных экологических системах» (рег. № 123030300031-6).
____________________________________________________________________________________________________________________________________
Ссылки на источники, используемые в статье, были удалены. Библиография доступна в оригинальной публикации.
Авторы статьи: Т.А. Мыльникова, А.Ю. Боровлев, В.В. Елсаков, В.М. Щанов (все — Институт биологии Коми НЦ УрО РАН, Сыктывкар, Россия)
Опубликовано в журнале «Современные проблемы дистанционного зондирования земли из космоса» №1, 2025 года, стр.116-130. DOI: 10.21046/2070-7401-2025-22-1-116-130.