Исследование Земли из космоса, 2024, № 1

Российская академия наук
ИССЛЕДОВАНИЕ ЗЕМЛИ
ИЗ КОСМОСА
№ 1      2024      Январь–Февраль
Журнал основан в 1980 г.
Выходит 6 раз в год
ISSN 0205-9614
Журнал издается под руководством
Президиума РАН
Главный редактор
академик В.Г. Бондур
Редакционная коллегия
В.В. АСМУС, Л.А. ВЕДЕШИН, А.С. ВИКТОРОВ,
С.В. ВИКТОРОВ, А.Д. ГВИШИАНИ, П. ГЕЦОВ (Болгария), Г.С. ГОЛИЦЫН, 
М.Б. ГОХБЕРГ, ГО ХУАДУН (Китай), С.А. ДОБРОЛЮБОВ, 
Д.В. ЕРШОВ, С.Э. ЗАЙЦЕВ, А.И. ЗАХАРОВ, А.Т. ЗВЕРЕВ, 
Г.К. КОРОТАЕВ, В.Н. КУДРЯВЦЕВ, Е.А. МАРЕЕВ,
И.Н. МОРДВИНЦЕВ (ответственный секретарь), А.А. РОМАНОВСКАЯ,
В.П. САВИНЫХ (зам. главного редактора), А.А. СОЛОВЬЕВ,
В.Г. ТРИФОНОВ, А.Б. УСПЕНСКИЙ, Е.А. ШАРКОВ (зам. главного редактора)
Заведующая редакцией О.Н. Никитина
Адрес редакции:
119991 Москва, Ленинский просп., 14
тел.: +7 (495) 632-16-54, +7 (495) 632-11-78
e-mail: izk.journal1980@gmail.com; сайт: http://www.jizk.ru
© Российская академия наук, 2024
© Редколлегия журнала “Исследование
Земли из космоса”(составитель), 2024

СОДЕРЖАНИЕ
Номер 1, 2024
Методы и средства обработки и интерпретации космической информации
Картографирование и оценка риска лесных пожаров с использованием методов 
дистанционного зондирования и ГИС: тематическое исследование в провинции Нгеан, 
Вьетнам
Т. Н. Ф. Доан, Л. Х. Чинь, В. Р. Заблоцкий, В. Ч. Нгуен, С. Ч. Чан,  
Т. Т. Х. Фам, Т. Т. Х. Ле, В. Ф. Ле
3
Информативность спектральных вегетационных индексов для дешифрирования луговой 
и степной растительности Хакасии по наземным и спутниковым данным
А. П. Шевырногов, И. Ю. Ботвич, Т. И. Письман, А. И. Волкова,  
Н. А. Кононова, С. А. Иванов
16
Использование космической информации о Земле
Сравнительный анализ индикаторов формирования древесной растительности 
на залежных землях Среднерусской лесостепи на основе данных дистанционного 
зондирования Земли 
Э. А. Терехин
29
Применение материалов дистанционного зондирования Земли для уточнения 
локализации месторождений золота в пределах Новогодненского рудного поля на 
Полярном Урале
Г. А. Миловский, А. Д. Апарин, А. Р. Ибрагимов, Е. Э. Тюкова
40
Пространственно-временная изменчивость температуры поверхности Берингова моря 
по данным реанализа ERA5, основанных на спутниковой информации
Г. В. Шевченко, Ж. Р. Цхай, Д. М. Ложкин
52
Связь изменений концентрации CO2 над крупными акваториями бореальной и 
субарктической зоны Северного полушария с их фенологическими фазами, определяемыми 
по данным спутника SMOS
В. В. Тихонов, Е. В. Пашинов, Д. М. Ермаков, И. В. Хвостов, А. Н. Романов
65
Физические основы исследования Земли из космоса
Предварительные результаты поисков длительного микроволнового излучения грозовой 
атмосферы на волне 1.35 см
Г. С. Бордонский, А. А. Гурулев, А. О. Орлов
78
Обзоры
Первые российские научные эксперименты по изучению природной среды с помощью 
беспилотных летательных аппаратов
Л. А. Ведешин, Д. А. Шаповалов, Л. Г. Евстратова
85
Правила для авторов
92

Contents
No. 1, 2024
Methods and Means of Space Data Processing and Interpretation
Forest Fire Risk Assessment and Mapping Using Remote Sensing and GIS Techniques: A Case 
Study in Nghe An Province, Vietnam
Thi Nam Phuong Doan, Le Hung Trinh, V. R. Zablotskii, Van Trung Nguyen, 
Xuan Truong Tran, Thi Thanh Hoa Pham, Thi Thu Ha Le, Van Phu Le
3
Informative Value of Spectral Vegetation Indices for the Meadow and Steppe Vegetation Monitoring 
of Khakassia by Ground and Satellite Data 
A. P. Shevyrnogov, I. Yu. Botvich, T. I. Pisman, A. I. Volkova,  N. A. Kononova, S. A. Ivanov
16
Utilization of the Earth Space Data
Comparative Analysis of Reforestation Indicators on Abandoned Agricultural Lands in the Central 
Russian Forest-Steppe Based on Remote Sensing Data
E. A. Terekhin
29
Application of Earth Remote Sensing Materials to Refine the Localization of Gold Deposits within 
the Novogodnenskoye Ore Field in the Polar Urals
G. А. Milovsky, A. D. Aparin, А. P. Ibragimov, E. E. Tyukova
40
The Spatio-Temporal Variability of Sea Surface Temperature of Bering Sea from ERA5 Reanalysis 
Data Based on Satellite Information 
G. V. Shevchenko, Zh. R. Tshay, D. M. Lozhkin
52
Relation of Changes in CO2 Concentration over Large Water Areas of the Boreal and Subarctic 
Zones of the Northern Hemisphere with Their Phenological Phases Determined from SMOS 
Satellite Data
V. V. Tikhonov, E. V. Pashinov, D. M. Ermakov, I. V. Khvostov, A. N. Romanov
65
Earth Research from Space Physical Ground
Preliminary Results of Searches for Long-Term Microwave Radiation of a Thunderstorm 
Atmosphere at a Wavelength of 1.35 cm
G. S. Bordonskiy, A. A. Gurulev, A. O. Orlov
78
Reviews
First Russian Scientific Experiments on the Natural Environment Study Using Unmanned Aerial 
Vehicles
L. A. Vedeshin, D. A. Shapovalov, L. G. Evstratova
85
Notes to the Authors
92

ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА, 2024,  № 1, с. 3–15
МЕТОДЫ И СРЕДСТВА ОБРАБОТКИ И ИНТЕРПРЕТАЦИИ 
КОСМИЧЕСКОЙ ИНФОРМАЦИИ
КАРТОГРАФИРОВАНИЕ И ОЦЕНКА РИСКА ЛЕСНЫХ ПОЖАРОВ 
С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ ДИСТАНЦИОННОГО  
ЗОНДИРОВАНИЯ И ГИС: ТЕМАТИЧЕСКОЕ ИССЛЕДОВАНИЕ 
В ПРОВИНЦИИ НГЕАН, ВЬЕТНАМ
© 2024 г.      Т. Н. Ф. Доан1, Л. Х. Чинь2,  *, В. Р. Заблоцкий3, В. Ч. Нгуен1,  
С. Ч. Чан1, Т. Т. Х. Фам1, Т. Т. Х. Ле1, В. Ф. Ле2
1Исследовательская группа “Геоматика в науках о Земле”, Ханойский горно-геологический университет,  
Ханой, Вьетнам
2Технический университет им. Ле Куй Дон, Ханой, Вьетнам
3Московский государственный университет геодезии и картографии, Москва, Россия
*E-mail: trinhlehung@lqdtu.edu.vn 
Поступила в редакцию 27.06.2023 г.
В работе представлены результаты моделирования риска возникновения лесных пожаров на западе 
провинции Нгеан (северо-центральная часть Вьетнама), полученные на основе данных дистанционного зондирования и ГИС. С помощью методов машинного обучения: случайного леса (Random Forest), 
опорных векторов (Support Vector Machine), деревьев классификации и регрессии (Classification and 
Regression Trees) были построены модели возникновения лесных пожаров. В моделях учитывались 
девять основных факторов, определяющих вероятность возникновения лесных пожаров, среди них: 
количество фитомассы растительного покрова, поверхностная эвапотранспирация, высота местности 
над уровнем моря, наклон и экспозиция склона, скорость ветра, температура земной поверхности, 
среднемесячное количество осадков, плотность населения на территории. Различные значения параметров в алгоритмах машинного обучения были исследованы для выбора модели, наиболее точно 
предсказывающей возникновение лесных пожаров. Установлено, что метод случайного леса со значением параметра “количество деревьев решений”, равным 100, имеет наибольшую точность прогнозирования риска лесных пожаров на исследуемой территории.
Ключевые слова: лесные пожары, оценки риска возникновения, дистанционное зондирование, ГИС, 
методы машинного обучения, провинция Нгеан
DOI: 10.31857/S0205961424010012, EDN: GNEJRH
ВВЕДЕНИЕ
Вьетнам – ​
страна, четверть территории которой 
составляют горные районы с  лесистостью более 
42 
%. Леса являются важным экологическим ресурсом страны, необходимым для социально-экономического развития общества. В  последнее время 
вследствие деятельности человека, а также изменения климата количество лесных пожаров во Вьетнаме возросло, увеличился и  ущерб, наносимый 
пожарами лесным ресурсам.
Геопространственные технологии эффективно используются при построении моделей прогнозирования риска лесных пожаров. Дистанционное зондирование и геоинформационные системы (ГИС) 
позволяют оперативно собирать информацию 
о лесном покрове для анализа, управления территориями в  целях раннего предупреждения лесных 
пожаров (Бондур и др., 2016; Бондур, Гордо, 2018) 
и их негативных последствий, в том числе связанных с  эмиссиями вредных примесей в  атмосферу 
(Бондур, 2015; Бондур, Гинзбург. 2016).
Лесной пожар представляет собой катастрофическое явление, с  которым трудно бороться. 
Возгоранию и  распространению лесных пожаров 
способствует множество причин, среди которых 
присутствует человеческий фактор, топографические и  метеорологические характеристики территории. Разработка моделей прогнозирования лесопожарной опасности является актуальной задачей. 
Исследование лесопожарной опасности обнаруживает тесную связь между погодными условиями, 
влажностью растительного покрова, факторами 
рельефа и  вероятностью возникновения лесных 
пожаров (Beals E. 
A., 1914). Помимо таких метеорологических факторов, как количество осадков, 
температура и  влажность воздуха (Williams, 1993), 
3

ДОАН  и др.
4
важную роль в  возникновении лесных пожаров 
играют скорость ветра, плотность населения, которые увеличивают риск возникновения лесных пожаров (Dong, 2005).
пожаров (Vasilakos et al., 2009; Oliveira et al., 2012; 
Bui et al., 2016, 2017). Например, изучались методы 
множественной регрессии (Oliveira et al., 2012), логистической регрессии (Pourghasemi, 2015), географически взвешенной регрессии (GWR) (Fernandez 
et al., 2012), методы интеллектуального анализа данных (Arpaci et al., 2014).
Iban и Sekertekin (2022) использовали тепловые 
аномалии изображений MODIS и  такие методы 
глубокого обучения, как метод опорных векторов, 
дискриминантный линейный анализ, метод случайного леса для прогнозирования лесных пожаров 
на территории Адана и Мерсин (Турция). Исследование показало, что такие факторы, как высота над 
уровнем моря, уклон склона и температура, оказывали наибольшее влияние на риск возникновения 
лесных пожаров в  районе наблюдений (Iban and 
Sekertekin, 2022).
Дистанционное зондирование и  ГИС-технологии применялись во многих исследованиях для 
построения моделей прогнозирования пожароопасности леса на основе сочетания традиционных 
методов и  современных методов обработки пространственных данных. Одним из первых проектов 
в  области применения дистанционного зондирования и  ГИС для прогнозирования риска лесных 
пожаров является Европейская информационная 
система по лесным пожарам (EFFIS), созданная 
Европейским центром научно-исследовательского 
сотрудничества в 2000 году. Система EFFIS позволяет прогнозировать пожарную опасность, своевременно обнаруживать лесные пожары, картографировать очаги пожаров, а также оценивать ущерб 
от лесных пожаров. Данные дистанционного зондирования, используемые в этой системе, представляют собой спутниковые снимки MODIS, VIIRS 
и Sentinel 2 MSI (https://effis.jrc.ec.europa.eu/apps).
В работе Ruano и др. (2022) вегетационный индекс NDVI и данные о рельефе территории, запасах пожароопасных материалов и  транспортной 
инфраструктуре, использовались для построения 
моделей возникновения лесных пожаров. В  ходе 
экспериментов исследовались обобщенные линейные модели (GLM), обобщенные аддитивные модели (GAM) для оценки вероятности лесных пожаров 
(Ruano et al., 2022). Имеются также и другие работы 
(Jaiswal et al., 2002; Enod et al., 2021; Herrera et al., 
2022; Sivrikaya, Kucuk, 2022), в которых прогнозировался риск возникновения лесных пожаров на 
основе совместного использования данных дистанционного зондирования, ГИС и методов машинного и глубокого обучения.
Yassemi и  др. (2008) объединили технологию 
ГИС, модели окружающей среды и клеточные автоматы Мура (CA) для создания модели прогнозирования лесных пожаров на территории Нордегг 
Альберта (Канада). Полученные результаты показывают соответствие между результатами моделирования и  данными о  пожарах в  районе исследования. Интеграция технологии GIS-CA позволяет 
реалистично моделировать сценарии лесных пожаров (Yassemi et al., 2008). В исследовании (Wimberly 
et al., 2007) использовались разновременные спутниковые снимки Landsat для картографирования 
интенсивности лесных пожаров в южных Аппалачах (Северная Каролина, США). Нормализованный индекс гарей (NBR), рассчитанный по изображениям Landsat в ближнем и коротковолновом 
инфракрасном диапазонах, применялся для оценки изменения земного покрова до и  после пожара. Chowdhury и  др. (2013) использовали спутниковые снимки MODIS для определения входных 
параметров, таких как температура поверхности, 
нормализованный многоканальный индекс засухи 
(NMDI), индекс температуры и влажности растительности (TVWI) с целью построения карты прогнозирования риска лесных пожаров (Chowdhury 
et al., 2013). Полученные результаты показали, что 
почти 92 
% лесных пожаров произошли на территории, отнесенной к категории очень высокой пожароопасности.
В настоящее время методы машинного и глубокого обучения (artificial neural network, random forest, 
support vector machine) используются для повышения точности моделей прогнозирования лесных 
Исследования по прогнозированию лесных пожаров проводятся во Вьетнаме с  конца ХХ  века, 
первоначально на основе применения совокупного 
индекса Нестерова (Pham, 1988; Vo, 1995; Tran et al., 
2010). Позже, при прогнозировании лесных пожаров, стали использоваться данные о  температуре 
поверхности, рассчитанные по космическим изображениям в  тепловом инфракрасном диапазоне 
(изображения Landsat, MODIS), результаты прогнозирования визуализировались с помощью ГИС 
(Vuong, 2005; Doan, 2007; Tran et al., 2016). Данные 
теплового инфракрасного канала Landsat применялись для обнаружения подземных пожаров в угольных шахтах (Trinh, 2014; Trinh, Zablotskii, 2017). 
В последнее время при оценке риска лесных пожаров в северных горных районах Вьетнама (Nguyen 
et al., 2018; Dang, 2021; Hoang et al., 2020) использовались методы машинного обучения на основе 
данных дистанционного зондирования. Установлено, что методы машинного обучения позволяют 
прогнозировать риски лесных пожаров с большей 
точностью, чем традиционные методы с использованием техники иерархического анализа. В  целом 
ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА        № 1       2024

КАРТОГРАФИРОВАНИЕ И ОЦЕНКА РИСКА ЛЕСНЫХ ПОЖАРОВ
5
и от 103°52' до 105°48' в. 
д. (рис. 1). Местность имеет 
сложный рельеф, сильно расчлененный холмами, 
горами, системой рек и ручьев.
вышеуказанные работы продемонстрировали эффективность дистанционных методов и  ГИС-технологии при разработке моделей оценки риска возникновения лесных пожаров.
Площадь лесов и лесных угодий провинции Нгеан занимает более 58 
%, (Министерство сельского 
хозяйства и  развития сельских районов, Вьетнам, 
2021 г.). Хотя лесной покров территории имеет тенденцию к увеличению в последние годы, большая 
часть новых лесных площадей провинции – ​
это лесопосадки. Естественный лес имеет заметное снижение как качества, так и площади.
В данной работе три популярных алгоритма машинного обучения: метод случайного леса (RF), 
метод опорных векторов (SVM) и  метод деревьев 
классификации и регрессии (CART) применялись 
для районирования пожароопасности лесной территории. В  результате моделирования получена 
картосхема лесопожарной опасности западной части провинции Нгеан Вьетнама.
ИСХОДНЫЕ ДАННЫЕ И МЕТОДИКА 
ОБРАБОТКИ ДАННЫХ
Исследуемая территория и данные  
дистанционного зондирования
Провинция расположена в  зоне тропического 
муссонного климата с  жарким, влажным и  дождливым летом (с  мая по октябрь) и  холодной, менее дождливой зимой (с ноября по апрель). Из-за 
сухого ветра фён, дующего с гор на равнину и деятельности человека Нгеан является районом со 
сложными лесными пожарами и высоким уровнем 
(V – ​
чрезвычайно опасный уровень) рисков их возникновения.
Исследуемая территория. Исследуемая территория расположена на западе провинции Нгеан, 
в  северо-центральной части Вьетнама, с  географическими координатами от 18°33' до 20°01' с. 
ш. 
Данные дистанционного зондирования. Мультиспектральные изображения Sentinel 2 MSI использовались для расчета вегетационного индекса, 
Рис. 1. Местоположение исследуемой территории. Справа вверху – административная карта, внизу – Landsat изображение провинции Нгеан.
ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА        № 1       2024

ДОАН  и др.
6
8. Среднемесячное количество осадков;
9. Плотность населения.
изображения Landsat 8 – ​
для вычисления температуры земной поверхности. Данные дистанционного 
зондирования собирались и обрабатывались непосредственно на платформе облачных вычислений 
Google Earth Engine (GEE).
Индекс NDVI (Rouse et al., 1973) характеризовал количество фитомассы растительного покрова 
в моделях прогнозирования лесных пожаров и рассчитывался из значений спектральной отражательной способности в красном и ближнем инфракрасном каналах Sentinel 2 MSI.
Эвапотранспирация поверхности вычислялась 
из набора спутниковых изображений MODIS на 
платформе GEE с пространственным разрешением 
1000 м.
Для 
создания 
безоблачного 
изображения 
было отобрано 65 сцен Sentinel 2 MSI (Sentinel 2A 
и  Sentinel 2B), сделанных за период с  15  ноября 
2021 г. по 16 января 2022 г., затем вычислялся нормализованный разностный индекс растительности 
(NDVI). Для расчета температуры земной поверхности использовались мультиспектральные снимки 
Landsat 8 OLI_TIRS (трасса/ряд: 127/047, 127/046 
и 128/046, сделанные за период с 15 ноября 2021 г. 
по 16 января 2022 г). На рис. 2 представлены изображения Landsat 8 и Sentinel 2 MSI западной части 
провинции Нгеан.
Температура земной поверхности рассчитывалась из данных теплового инфракрасного канала 
спутника Landsat 8 на основе модели НАСА (https://
www.usgs.gov/landsat-missions/landsat-8-data-usershandbook):
Методика обработки данных
2
,	
(1)
1
1
ln(
)
B =
+
 T
K
K
L
λ
В моделях прогнозирования риска возникновения лесных пожаров на исследуемой территории 
использовались следующие параметры:
где TB – ​
яркостная температура поверхности (K);
K1 и K2 – ​
первая и вторая калибровочные константы, записанные в файле метаданных изображения 
Landsat.
1. Вегетационный индекс NDVI;
2. Поверхностная эвапотранспирация (по  данным MODIS);
3. Высота местности над уровнем моря (DEM 
SRTM);
4. Наклон склона;
5. Экспозиция склона;
6. Скорость ветра;
7. Температура земной поверхности;
Для расчета температуры поверхности использовался вегетационный индекс NDVI с  учетом 
коэффициента излучения поверхности в  соответствии с  методом, предложенным Valor и  Caseless 
(Valor и Caseless, 1996):
105°0'0''Е
105°0'0''Е
104°0'0''Е
104°0'0''Е
20°0'0''N
20°0'0''N
20°0'0''N
20°0'0''N
Landsat 8
Sentinel 2
19°0'0''N
19°0'0''N
19°0'0''N
19°0'0''N
Kilometers
0 5 10
20
30
40
Kilometers
0 5 10
20
30
40
104°0'0''Е
105°0'0''Е
104°0'0''Е
105°0'0''Е
а  Landsat 8
б  Sentinel 2
Рис. 2. Изображения Landsat 8 и Sentinel 2 района исследования.
ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА        № 1       2024

КАРТОГРАФИРОВАНИЕ И ОЦЕНКА РИСКА ЛЕСНЫХ ПОЖАРОВ
7
ε = εvPv + εs(1 − Pv),	
(2)
зовались для обучения модели, а остальные 30 
% для 
проверки точности модели.
где ε – ​
коэффициент излучения от неоднородной 
поверхности;
εv – ​
коэффициент излучения чистого растительного покрова;
εs – ​
коэффициент излучения открытой почвы;
Pv – ​
отношение площади растительности и  почвы 
в пикселе, рассчитанное по формуле:
2
	
(3)
P
NDVI
NDVI
NDVI
NDVI
v =
−
−











min
max
min
.
Обработка входных данных модели проводилась 
на платформе Google Earth Engine (GEE), предназначенной для анализа данных дистанционного 
зондирования. Результаты, полученные в  GEE, 
совместимы с  такими ГИС как, например, QGIS, 
ArcGIS, Foris. При обработке использовался язык 
программирования JavaScript и редактор кода (Code 
Editor), чтобы перенести данные изображений 
Landsat 8/9 и Sentinel 2 MSI на платформу и выполнить этапы обработки, анализа, отображения и вывода результатов. Все девять слоев данных создавались и обрабатывались на платформе GEE и затем 
использовались в модели.
В  заключительной части алгоритма обработки 
данных осуществлялось вычисление поверхностной температуры (LST) по формуле:
B
,	
 (4)
Блок-схема методики картографирования риска 
лесных пожаров с использованием данных дистанционного зондирования и  ГИС представлена на 
рис. 3.
  LST
T
T
B
=
+
1
λ
ρ
ε
ln
где λ – ​
длина волны;
ρ – ​
константа (1.438·10−2 м 
· 
К).
Цифровая модель рельефа, построенная на основе Shuttle Radar Topography Mission (DEM SRTM) 
с  пространственным разрешением 30 м, применялась для создания ГИС слоев топографических 
данных. Полученные данные были сохранены и отредактированы с помощью программного обеспечения ArcGIS10.
Данные о плотности населения на исследуемой 
территории получены из базы данных WorldPop 
(https://data.worldpop.org/). Данные о  скорости 
ветра, среднемесячном количестве осадков, и  поверхностная эвапотранспирация получены из базы 
данных 
WorldClim 
(https://data.worldclim.org/). 
Разрешение изображений, взятых из баз данных 
WorldPop и WorldClime, составляло 1000 м.
В  вычислительном эксперименте выполнялось 
обучение компьютерных моделей, соответствующих трем выбранным алгоритмам машинного обучения (RF, SVM, CART). Каждый из представленных алгоритмов минимизировал функцию потерь, 
обучаясь на тестовом наборе точек. При оценке риска лесных пожаров по девяти ГИС-слоям каждому 
пикселу изображений присваивалась вероятность 
возникновения пожара, со значением от 0 до 1, 
что соответствует риску возникновения пожара от 
низкого до высокого. Оценка точности обучения 
осуществлялась на контрольном наборе точек двумя способами: визуально и на основе метрического 
показателя ROC-AUC. Варьируя параметрами моделей, была выбрана наиболее обученная модель 
(RF 100), с помощью которой выполнено районирование исследуемой территории на пожароопасность. Вероятность пожарной опасности леса для 
каждого пиксела была разбита на 5 уровней: “очень 
низкая” (0.1–0.4), “низкая” (0.4–0.65), “средняя” 
(0.65–0.8), “высокая” (0.8–0.9) и “очень высокая” 
(0.9–1.0), причем пороговые значения выбраны согласно исследованию (Nguyen et al., 2018). Результат 
районирования территории представлен на цветной картосхеме.
РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
Все девять ГИС слоев данных модели прогнозирования лесных пожаров интерполировались 
до пространственного разрешения в 10 м для обеспечения согласованности по разрешению с  изображениями Sentinel 2 MSI. Данные приводились 
к  одинаковому пространственному разрешению 
с  помощью алгоритма интерполяции ближайшего 
соседа.
Набор данных о пожарах включал 120 точек, собранных в период с 2019 по 2023 год на основе записей о пожарах Департамента охраны лесов, Министерства сельского хозяйства и  развития сельских 
районов Вьетнама и  данных о  пожарах системы 
FIRMS (NASA) и 204 точки, на которых лесных пожаров в этот период не наблюдалось. Из всего набора данных о лесных пожарах 70 
% точек испольНа рис.  4 представлена цифровая модель рельефа SRTM исследуемой территории с пространственным разрешением 30 м. Результаты построения информационных слоев высота местности над 
уровнем моря, наклон и экспозиция склона показаны на рис. 5а, 5б и 5в. На рис. 5г представлен информационный слой поверхностной эвапотранспирации. Слой растительного покрова (индекс NDVI) 
ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА        № 1       2024

ДОАН  и др.
8
Рис. 3. Блок-схема методики картографирования риска лесных пожаров с использованием данных дистанционного 
зондирования и ГИС.
варьирует в диапазоне от 1.5 до 2.9 м/с. На большей 
части исследуемой территории скорость ветра не 
превышала 1.9 м/с. Районы со скоростью ветра более 2 м/с сосредоточены в южной части исследуемой территории.
и слой данных о температуре земной поверхности 
представлены на рис. 5д и 5е. Из рис. 5д следует, что 
значение индекса NDVI исследуемой территории 
изменяется в диапазоне от –0.74 до 0.85, при этом 
растительность имеет положительные значения 
NDVI, большие, чем 0,2. Открытая поверхность характеризуется значениями NDVI от 0 до 0.2, водная 
поверхность имеет отрицательные значения NDVI.
Информационный слой “среднемесячное количество осадков” показан на рис. 5з. Количество 
осадков варьирует от 113 мм/мес. до 164 мм/мес. Из 
рисунка следует, что в районе исследования количество осадков в основном ниже 130 мм/мес. Районы со среднемесячным количеством осадков более 
130 мм/мес сосредоточены на юге изучаемой территории.
Из рис. 5е следует, что на исследуемой территории температура поверхности колеблется в диапазоне от 15.1°C до 35.5°C. Участки с низкой температурой сосредоточены в горной местности с густым 
растительным покровом, участки с  высокой температурой характерны для населенных территорий 
и открытой поверхности. Весь интервал температуры земной поверхности разделен на девять диапазонов.
Информационный слой скорость ветра показан 
на рис. 5ж. Из рисунка следует, что скорость ветра 
Информационный слой “плотность населения” 
представлен на рис.  5и. Как следует из рисунка, 
плотность населения колеблется от 3 чел./км2 до 
627 чел./км2. Большая часть исследуемой территории 
с низкой плотностью населения (менее 25 чел./км2) 
сосредоточена в  высокогорных, покрытых лесом 
ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА        № 1       2024

КАРТОГРАФИРОВАНИЕ И ОЦЕНКА РИСКА ЛЕСНЫХ ПОЖАРОВ
9
104°0'0''Е
105°0'0''Е
20°0'0''N
20°0'0''N
19°0'0''N
19°0'0''N
Elevation
High: 2682
Low: 0
Kilometers
0 5 10
20
30
40
104°0'0''Е
105°0'0''Е
Рис. 4. Цифровая модель рельефа SRTM исследуемой территории.
районах. Районы с  плотностью населения выше 
100 чел./км2 находятся в основном на востоке и юге 
изучаемой территории.
пала в район с высокой и очень высокой степенью 
лесной пожарной опасности (что соответствует 
86,11 
%), причем 23 точки попали в район с очень 
высокой степенью пожарной опасности.
Только 2 точки, где в прошлом произошли лесные пожары, попали в  район с  низким уровнем 
пожароопасности и  3  точки в  район со средним 
уровнем опасности. В  зоне с  очень низким классом пожарной опасности точки с  прошлыми лесными пожары не были обнаружены. Большинство 
непожароопасных участков находились в  районах 
с очень низкой (14/61 точки), низкой (25/61 точки) 
и средней (15/61 точки) пожарной опасностью. На 
территорию с высоким уровнем пожарной опасности попало всего 5 точек, а на территорию с очень 
высоким уровнем – ​
2 точки.
Площадь под кривой AUC (Under the Curve) рабочей характеристики классификатора ROC (receiver 
operating characteristic) является общепринятым 
 
После обучения моделей RF, SVM, CART с помощью тестового набора данных о лесных пожарах 
было выполнено прогнозирование рисков возникновения лесных пожаров. Для оценки точности моделей прогнозирования использовался контрольный набор данных (база данных Департамента 
охраны леса), состоящий из 36 пожароопасных и 61 
непожароопасных участков местности. Сравнение 
результатов прогнозирования лесных пожаров, 
полученных разными алгоритмами, представлено 
в табл. 1. Анализ полученных результатов показывает, что использование метода случайного леса со 
значением параметра “количество деревьев решений”, равным 100 (RF100), дает наиболее точные 
результаты районирования риска лесных пожаров. 
Из 36 точек прошлых лесных пожаров, 31 точка поИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА        № 1       2024