CC BY
22
Науки о Земле / Earth Science Оригинальная статья / Original Article УДК 911.5
DOI: 10.31161/1995-0675-2022-16-2-72-84
Динамика высокогорных ландшафтов Северного Кавказа по данным дистанционного
зондирования в 2000-2020 гг.
© 2022 Пуреховский А. Ж. 1, Гуня А. Н. 1, Колбовский Е. Ю. 1 2
1 Институт географии РАН Москва, Россия; e-mail: [email protected]; [email protected]; [email protected] 2 Московский государственный университет им. М. В. Ломоносова
Москва, Россия; e-mail: [email protected]
РЕЗЮМЕ. Целью работы являлся анализ трансформации основных типов ландшафтов и землепользования (Land Cover/Land Use Change) в высокогорных районах Северного Кавказа. Методы. Используются дистанционные источники обнаружения изменений - тематические продукты, созданные на основе последовательно обработанных данных Landsat Analysis Ready Data лаборатории Global Land Analysis and Discovery Университета Мэриленда за период с 2000 по 2020 г. и алгоритмы гис-моделирования выявления границ основных типов ландшафтов (нивально-гляциальных, горно-луговых и горно-лесных), а также определения характера трансформаций (переходов от типа к типу) в пределах подверженных изменениям высокогорных экотонов. Результаты. Предложена интерпретация выявленных трансформаций в рамках ландшафтной концепции на основе проводившихся в течение последних двадцати лет полевых исследований. Вывод. На первом месте по площади стоят изменения горнолуговых ландшафтов, которые «поджимаются» снизу горно-лесными ландшафтами, а с другой стороны сами захватывают некоторые горно-лесные ареалы, а также продвигаются вверх за счет сокращения нивально-гляциальных ландшафтов.
Ключевые слова: высокогорные ландшафты Северного Кавказа, ГИС-моделирование трансформации ландшафтов и землепользования, Landsat ARD, среднемноголетняя динамика.
Формат цитирования: Пуреховский А. Ж., Гуня А. Н., Колбовский Е. Ю. Динамика высокогорных ландшафтов Северного Кавказа по данным дистанционного зондирования в 2000-2020 гг. // Известия Дагестанского государственного педагогического университета. Естественные и точные науки. 2022. Т. 16. № 2. С. 72-84. DOI: 10.31161/1995-0675-2022-16-2-72-84_
Dynamics of High-Mountain Landscapes in the North Caucasus According to Remote Sensing
Data in 2000-2020
© 2022 Andrey Zh. Purekhovsky 1, Alexey N. Gunya 1,
Evgeny Yu. Kolbovsky 1 2
1 Institute of Geography, RAS Moscow, Russia; e-mail: [email protected]; [email protected]; [email protected] 2 Lomonosov Moscow State University Moscow, Russia; e-mail: [email protected]
ABSTRACT. The aim of the paper was to analyze the transformation of the landscapes main types and land use (Land Cover/ Land Use Change) in the high-mountain areas of the North Caucasus. Methods. Remote sources of change detection are used - thematic products created on the basis of sequentially processed Landsat Analysis Ready Data from the Global Land Analysis and Discovery laboratory of the Univer-
sity of Maryland for 2000-2020 and GIS-modeling algorithms for identifying the boundaries of the main landscapes types (nival-glacial, mountain-meadow and mountain-forest) as well as determining the nature of transformations within high-mountain ecotones. Results. It is proposed the interpretation of the revealed transformations within the framework of the landscape concept on the basis of field research conducted over the past twenty years. Conclusion. In the first place are area changes in mountain-meadow landscapes, which are "pressed" from below by mountain-forest landscapes, and on the other hand, they themselves capture some mountain-forest areas, and also move up due to the reduction of nival-glacial landscapes.
Keywords: high-mountain landscapes in the North Caucasus, GIS-modeling of landscape transformation and land use, Landsat ARD, long-time average annual dynamics.
For citation: Purekhovsky A. Zh., Gunya A. N., Kolbovsky E. Yu. Dynamics of High-Mountain Landscapes in the North Caucasus According to Remote Sensing Data in 2000-2020. Dagestan State Pedagogical University. Journal. Natural and Exact Sciences. 2022. Vol. 16. No. 2. Pp. 72-84. DOI: 10.31161/1995-06752022-16-2- 72-84 (In Russian)
Введение
Высокогорные ландшафты являются наиболее динамичными по своей природе: неудивительно, что в последние четверть века в горных регионах мира отмечается трансформация природно-ландшафтных зон, реализующаяся на фоне колебаний глобального климата и существенных изменений в характере природо- и землепользования.
Полевые исследования, проведенные разными авторами [8], показали, что на Северном Кавказе проявляются многие особенности, характерные для высокогорных регионов, в частности - смещение природно-ландшафтных границ нивально-гляциальной, горно-луговой и горнолесной зон. Подобная трансформация приводит к формированию своего рода подвижных экотонов, с наблюдающимися переходами от одного типа высокогорного ландшафта к другому. При этом темпы и характер изменения границ высокогорных ландшафтов различается как в разных частях Северного Кавказа (восточной, центральной и западной), так и в пределах различных высотных поясов (нивально-гляциального или горно-лесного).
До недавнего времени фиксация и сопоставление такого рода трансформаций были затруднены вследствие недостаточности и (зачастую) несравнимости полевых (ландшафтных, геоботанических) описаний: редкие экспедиции в труднодоступные ареалы не приводили к накоплению надежной и обширной базы соответствующих данных, что на фоне динамичных сезонных и среднемноголетних изменений (осложненных накладывающимися переменами в землепользовании) не позволяло выстроить обоснованную концепцию динамики ландшафтной структуры высокогорного региона.
В последние годы в распоряжение исследователей поступают глобальные дан-
ные, приведенные к одному формату, регулярно актуализируемые и составленные из космических серий сенсоров Landsat и Sentinel, которые расширяют возможности геоинформационного моделирования, картографирования и анализа изменений горных ландшафтов.
Использование среднемасштабных космических снимков для дешифрирования компонентов ландшафта и видов землепользования давно уже стало традиционным методом ландшафтного (и отраслевого - геоботанического, почвенного, лесо-растительного) картографирования [7]. Однако результаты, полученные в отдельных исследовательских кейсах, не подлежали сравнению вследствие использования разнокачественных снимков, (полученных в разные сезоны и разнообразных условиях облачности), применения разных алгоритмов дешифрирования. Серьёзная проблема возникала при попытках выявления сред-немноголетней динамики на основе обработки архивных снимков (сенсоров Landsat 5 и Landsat 7) с разной разрешающей способностью и чувствительностью [26].
Методологический прорыв обозначился при введении в широкую практику композитов, составленных из комплектов «сцен» спутниковых изображений серии Landsat, обработанных таким образом, чтобы заполнить пробелы в данных, связанные с облачностью или дымкой. Модели, построенные на основе нейронных сетей, позволили создавать наборы фенологических метрик, которые, в свою очередь, были использованы для обработки обширных территорий и получений глобальных «покрытий» («landcover»), фиксирующих состояние ландшафта на поверхности планеты [22].
Появление глобальных «покрытий» -растровых данных (гридов) с единой размерностью «зерна» - 30 м в пикселе - для временного промежутка в два десятилетия (с 2000 г.) открывает новые возможности
для определения и/или уточнения динамики ландшафтной структуры высокогорных территорий, и, что не менее важно, выявления трендов изменений [4].
Возникают три взаимосвязанных исследовательских задачи. Первая задача связана с необходимостью актуализации старых экспертных ландшафтных карт на основе использования современных методов геоинформационного моделирования морфо-литогенной основы и состояния (биоты) ландшафта. Вторая задача проистекает из неполного понимания причинно-следственных связей, между колебаниями глобального климата и региональной (а также локальной) реакцией экосистем, в частности - причин изменения границ природно-ландшафтных зон. Наконец, третья задача обусловлена радикальными переменами в землепользовании в пределах высокогорья Северного Кавказа: частичной экореабилитацией сельскохозяйственных (прежде всего, пастбищных) угодий, продолжающейся концентрацией населения в городах и крупных населенных пунктах, запустением части селитебных (и культурно-ландшафтных) ареалов, появлением новых агентов природопользования в виде туризма и рекреации.
В рамках данной публикации авторы предприняли попытку обоснования и апробации методологического подхода к оценке трансформации ландшафтов, основанного на использовании инновационных тематических продуктов дистанционного зондирования Земли. Основная цель исследования - выявление и характеристика основных трендов в изменении границ между различными типами природно-ландшафтных зон с оценкой количественных показателей формирующихся экото-нов и переходов от одного типа ландшафтов к другому.
Объект исследования - высокогорные ландшафтные зоны: нивально- гляциаль-ная, горно-луговая и горно-лесная. Учитывая большой разброс абсолютных величин границ высокогорных ландшафтов на Западном и Восточном Кавказе, нижней границей высокогорной зоны предлагается условно считать высотную горизонталь 2000 м.
Изучение трансформации горных ландшафтов имеет достаточно длинную историю, связанную в основном с анализом региональных кейсов. Новый этап в развитии науки о горных ландшафтах начался в связи с использование ДДЗ, которые послужили объективным источником данных на обширных и труднодоступных территориях. Именно применение
ДДЗ, в особенности - обработанных и стандартизированных тематических продуктов, позволило сформировать направление, которое ныне обозначается как Land Use / Land Cover Change (LULC) [27].
Интерпретация полученных результатов по изменению в использовании земель и трансформации земельного покрова позволила вскрыть многофакторную природу изменений, являющихся следствием социально-экономических и биофизических процессов, зависящих от масштабов и характера землепользования [19; 20; 28]. Антропогенные изменения ландшафтов увязываются с появлением или исчезновением того или иного типа землепользования, его расширения или сокращения, диффузного или очагового распределения освоенных земель и др. [14; 15; 25].
Горные ландшафты с их расчлененностью и высокой динамикой ландшафтов сильно ограничивают применение методов ДДЗ. Ограничения, прежде всего, связаны с дробностью контуров, погодными и сезонными контрастами на относительно небольших ареалах. Опыт применения повторных съемок в России вообще [9; 10] или использования новейших материалов ДДЗ [1], представлен локальными примерами.
Переход на региональный уровень на основе обобщения результатов локальных исследований затруднен из-за отсутствия надежных алгоритмов, обеспечивающих экстраполяцию точечных данных на более обширные регионы. Один из способов экстраполяции заключается в применении концепции ландшафтной структуры. Считается, что ландшафты одного и того же типа имеют один и тот же набор дешифро-вочных признаков и фактуру, одинаково отображаются на снимках, следовательно, результаты дешифрирования в одном месте можно распространять на ареалы, занимаемые тем же ландшафтом.
С этих позиций трансформация мозаики (паттерна) LULC может рассматриваться как результат (следствие) смещения границ ландшафтов определенного ранга (урочищ, групп урочищ, местностей, собственно ландшафтов). Так, изменение площадей, занятых снегом и льдом, воспринимается как изменение нивально-гляциальных ландшафтов, и, следовательно, непосредственно граничащих с ними горно-луговых ландшафтов. Аналогично изменение лесо-покрытых площадей в высокогорье свидетельствует о смещении верхней границы леса и локализации горно-луговых ландшафтов. Переходная полоса, в пределах которой наблюдаются изменения подобного
рода может рассматриваться как экотон, для которого характерно близкое соседство и чередование вкраплений («патчей») ландшафтов разных классов.
Материалы исследования
Исходными данными для анализа изменений границ горных ландшафтов послужили данные космической съемки серии Landsat, предоставляемые пользователям Геологической службой (USGS) и Национальным управлением по аэронавтике и исследованию космического пространства (NASA) США. Landsat является единственным общедоступным источником глобальных спутниковых данных со средним разрешением (30 м), доступным до 2016 года, что позволяет проводить оценку изменений наземных ландшафтов на протяжении периода от 35 до нескольких лет [29].
Для данной работы использовался тематический продукт, подготовленный лабораторией «Global Land Analysis and Discovery (GLAD ARD)» Университета Мэриленда, состоящий из 16-дневных композитов, которые сформированы из лучших вариантов съемки, нормализованных по отражательной способности (для видимого, ближнего и коротковолнового инфракрасного диапазонов каналов), а также уровню качества данных. Специальный слой качества данных Landsat указывает на наличие облачности, топографических теней, атмосферного загрязнения, открытой воды и снежного/ледяного покрова. Участки, закрытые облаками и дымкой, корректируются по безоблачным снимкам с помощью специализированного метода заполнения пробелов [22].
Данные GLAD ARD хранятся в географических координатах с размером пикселя 0,00025° и организованы в виде тайлов 1Ч1°. Ежегодные 16-дневные временные ряды GLAD ARD преобразованы в набор основанных на ранжировании статистических данных (фенологических показателей), что позволяет применить для них разновременную классификацию и регрессионные модели.
Для получения отдельных видов покрытий (условные «лес», «луг», «снега и льды», «акватории») сначала выбирались (из набора растров Landsat) или строились (через калькулятор растров) тематики следующих параметров:
1) отражательная способность;
2) величина излучения в тепловом канале;
3) нормализованный вегетационный индекс, NDVI;
4) нормализованный водный индекса, NDWI.
Для каждого параметра вычислялся (по соответствующему растру) набор показателей, включающих выбранные статистики (минимум, максимум, квартили), межранговые средние значения (минимум - первый квартиль, первый - третий квартиль, третий квартиль - максимум) и диапазоны (от минимума до максимума, от минимума к медиане, от медианы к максимуму). Также был рассчитан набор показателей на основе NDVI, отражающий сезонные изменения этого параметра и представляющий основные этапы внутригодового фенологического цикла (начало, конец, пик вегетационного периода). Далее все полученные метрики пересчитывались инструментом Фокальная статистика, который сравнивает фактическое значение каждого пикселя со значениями соседних восьми пикселей двигающегося окна 3Ч3 пикселя. На заключительном этапе рассчитываются коэффициенты детерминации между физическими характеристиками Landsat и полученными в модели ранжированными значениями типов покрытий («лес», «луг», «снега и льды», «акватории»). Последовательность создания метрик подробно представлена в публикации авторов метода [22].
Для изучения изменения границы горно-лесных ландшафтов использовался тематический продукт «Forest Extent and Height (высота древесной растительности)» для 2000-2020 гг. Эта глобальная модель высоты древесной растительности создавалась на основе данных Landsat и калибровалась с использованием наблюдений GEDI [23]. В качестве обучающих данных применялась метрика 95 % GEDI энергии сигнала относительно высоты поверхности (RH95) [13]. Данные калибровки GEDI были отфильтрованы, чтобы исключить некачественные наблюдения и возможные ошибки, и привязаны к пикселям Landsat ARD. Для каждого тайла Landsat ARD (1Ч1°) была откалибрована отдельная модель с использованием обучающих данных, собранных в соседних тайлах. Использовались GEDI RH95 2019 года в качестве зависимой переменной и многовременные показатели Landsat того же года в качестве объясняющих (факторных) переменных для калибровки ансамблей алгоритмов деревьев регрессии.
Данные о нарушениях лесного покрова за период с 2001 по 2020 г. являются результатом объединения двух наборов данных: данных о глобальных потерях лесов (GFL) V1.8 [18] и новых ежегодных данных об утрате лесов, полученные с использованием подхода [21] во всем мире.
Для анализа трансформации горнолуговых типов ландшафтов использовалось покрытие «Vegetation Continuous Fields» (количество вегетации), которое создавалось на базе продукта MODIS Vegetation Continuous Fields (VCF). MODIS VCF получаются с помощью спектрорадиометра среднего разрешения спутника Terra. MODIS VCF состоит из трех непрерывных слоев (древесный покров, недревесная растительность и не покрытая растительностью поверхность плюс поверхностные воды) с разрешением 250 м, суммирующихся в сплошное (100 %) покрытие [16; 12].
Данные VCF, составленные с помощью MODIS, были преобразованы в годовые показатели, отражающие основные фазы фенологического цикла. В общей сложности были получены 68 показателей из объединенных данных каналов Landsat и нормализованного разностного вегетационного индекса (NDVI). Был использован алгоритм дерева регрессии для получения процента покрытия растительного покрова с разрешением 30 м на пиксель с использованием обучающей выборки на основании данных Landsat [17].
Многолетний снежно-ледниковый покров (Perennial Snow and Ice) включает территорию, покрытую ледниками или снег, который сохраняется в течение всего года. Для производства покрытия «Perennial Snow and Ice» использовались регионально верифицированные модели классификации с обучением (ансамбли деревьев решений), каждая из которых была откалибрована с помощью экспертно выбранных образцов из разновременных снимков Landsat за
2000, 2010 и 2020 годы. Для каждого года использовались композиты Landsat отражающие состояние земной поверхности в момент максимальной температуры и пикового значений NDVI (максимальная вегетация и развитие зеленой биомассы), чтобы разделить многолетний и годовой снежный покров. Данные обучения за указанные три года интегрировались для калибровки и получения новых итераций единой региональной модели [24].
Методы
Охарактеризованные в предыдущем разделе растровые покрытия по условным типам ландшафтов были вырезаны заранее подготовленной маской территории Северного Кавказа, находящейся на уровне выше изолинии 2000 м абсолютной высоты.
Для анализа трансформаций границ природно-ландшафтных зон высокогорья Кавказа потребовалось преобразовать полученные покрытия в ландшафтные зоны в понимании классического ландшафтове-дения. Контрастность различий спектральных характеристик основных видов-эдификаторов ландшафтных зон позволяет делить континуум покрытия высокогорных комплексов на 4 зоны (табл.1) [11]:
1. Зона, покрытая льдом или снегом -«Perennial Snow and Ice»;
2. Зона открытой каменистой поверхности - «Vegetation Continuous Fields < 50 %»;
3. Зона луговой альпийской и субальпийской растительности - «Vegetation Continuous Fields > 50 %»;
4. Зона древесной растительности -«Forest Extent and Height > 3 м».
Таблица 1. Типы ландшафтов и их основные дешифровочные признаки
Table 1. Types of landscapes and their main deciphering features
Типы ландшафтов (высотные зоны) Тип покрытий GLADUMD Особенности спектральных характеристик отражательной способности Дополнительные дешифровочные характеристики
Нивально-гляциальные Perennial Snow and Ice Высокие значения отражения во всех спектральных каналах
Vegetation Continuous Fields < 50 % Низкие значения каналов видимых спектров и повышенные характеристики в каналах ближнего и среднего инфра-красного канала Выше снеговой линии (около 3300-3500)
Горно-луговые Vegetation Continuous Fields > 50 % Стандартные для растительности спектральные кривые характеризующиеся низкими значениями в синих и красных каналах, повышенные значения в зеленом и максимальные в каналах ближнего и среднего инфра-красного канала
Горно-лесные Forest Extent and Height > 3 м Идентичная луговой по распределению яркостных значений, но в связи с большим количеством двудольных и голосеменных растений имеет пониженные характеристики на 10-20 % в значениях зеленых и инфракрасных каналах Ниже 2500 м
Ледники и снежники нивально-гляциальной зоны характеризуется высокими значениями отражения во всех спектральных каналах приемной аппаратуры, что сближает ее с областями облачности и дымки космоснимков. Скалистые участки этой зоны характеризуется низкими значениями каналов видимых спектров и повышенными характеристиками в ближнем и среднем инфракрасных каналах. Горнолуговая зона имеет стандартные для растительности спектральные кривые, характеризующиеся низкими значениями в синих и красных каналах приемной аппаратуры, повышенные значения в зеленом и максимальные в ближнем и среднем инфракрасных каналах. Горно-лесная зона идентична горно-луговой по распределению яркост-ных значений, но в связи с большим количеством двудольных и голосеменных растений имеет пониженные характеристики на 10-20 % в значениях зеленых и инфракрасных каналах [2; 5; 6; 11].
Для отработки алгоритма преобразования полученных зон к классическим ландшафтным зонам использовалась территория верховьев р. Баксан - южного Приэль-брусья, на которую была составлена ландшафтная карта [3]. Согласно этим исследованиям, для высокогорно-луговой зоны
были определены 5 типов и 13 подтипов ландшафтов (рис. 1).
Для выбранных подтипов ландшафтов были подобраны полевые площадки (ключи), по которым устанавливали принадлежность территорий к классификационным зонам и проверяли спектральные характеристики модельных территорий в разрезе спектральных каналов съемочной аппаратуры Landsat. На основании показателей принадлежности были сформулированы условия включения в те или иные ландшафтные зоны полученных покрытий GLAD UMD. В результате: снежно-ледниковые ареалы нивально-гляциальной зоны полностью вошли в покрытие «Многолетний снег и лед (Perennial Snow and Ice)», зона горных лесов совпала по распространению с покрытием «высота древесной растительности (Forest Extent and Height)» со значением > 3 м. Бесснежные участки нивально-гляциальной зоны и горно-луговая зона были получены на основе покрытия «количество вегетации» (Vegetation Continuous Fields) с разделением по значению в области 50 % +-3 %. Границы полученных результирующих покрытий верифицировали по космической съемке сверх высокого разрешения WorldView- (4-1) и GeoEye-1.
Рис. 1. Сравнение карты ландшафтов Приэльбрусья, сделанной путем традиционной отрисовки контуров, и карты покрытий, полученной автоматически (на основе GLAD UMD)
Fig. 1. Comparison of the landscape map for Elbrus Region, made by traditional contour drawing, and the coverage map obtained automatically (based on GLAD UMD)
Границы горно-луговой зоны Северного Кавказа были выделены путем предварительной классификации шкалы высот на два класса способом «естественные границы» ( Natural Breaks Jenks) с выделением ареалов выше и ниже 2000 м (с последую-
щим вырезанием сцены моделирования горизонталью 2000 м).
Для выявления и делимитации трансформаций границ высокогорно-луговой зоны Северного Кавказа проведен геопространственный анализ полученных покры-
тий ландшафтных зон, включавший следующие шаги:
- Бинаризация растров по пороговому значению;
- Обрезание с помощью утилиты маскирования по заданной границе;
- Объединение всех растров с использованием утилиты вырезания;
- Построения разностных слоев;
- Векторизация результатов по значению.
Геопространственный анализ проводился в среде утилиты командной строки Gidal и с использованием утилит, написанных на языке Python. Типы переходов определялись комбинированием разновременных растров и последующей конкатенацией для получения индексов.
Статистический анализ включал в себя расчет площадей трансформации ландшафтных зон по типам переходов и административным единицам с использованием утилиты Таблица пересчетов.
Результаты и их обсуждение
Общая площадь, затронутая изменениями за последние два десятилетия, составляет около 60 000 га, что составляет около 1,28 % всей высокогорной зоны Северного Кавказа(более 2000 м).
Таблица 2. Изменения площадей основных типов высокогорных ландшафтов в 2000-2020 гг.
Table 2. Changes in the areas of the main high-mountain landscapes types in 2000-2020
Нивально-гляциальных Горно-луговых Горно-лесных
сокращение рост сокращение рост Сокращение рост
площадь га 6 521,98 0 39 785,39 20 906,25 14 384,27 39 785,39
% 100,00% 65,55% 34,45% 26,55% 73,45%
всего 6 521,98 60 691,64 54 169,66
Таблица 3. Изменения площадей основных типов высокогорных ландшафтов в 2000-2020 гг. в регионах Северного Кавказа
Table 3. Changes in the areas of the main high-mountain landscapes types in 2000-2020
in the regions of the North Caucasus
Регион Трансформации:
Нивально-гляциальных в Горно-луговых Горно-лесных в гор-
горно-луговые в горно-лесные но-луговые
площадь в га % площадь в га % площадь в га %
Краснодарский край 376,87 17,57% 937,97 43,73% 830,05 38,70%
Республика Адыгея 156,77 17,00% 373,96 40,55% 391,57 42,46%
Карачаево-Черкесская республика 2 262,45 18,57% 6 422,83 52,70% 3 501,13 28,73%
Кабардино-Балкарская республика 27,78 0,49% 4 549,47 81,01% 1 038,96 18,50%
Ставропольский край 0,00 0,00% 2,78 16,90% 13,67 83,10%
Республика Северная Осетия-Алания 1 656,80 32,08% 2 906,67 56,27% 601,80 11,65%
Республика Ингушетия 93,93 8,56% 886,83 80,85% 116,11 10,59%
Чеченская республика 299,89 8,12% 2 458,97 66,56% 935,37 25,32%
Республика Дагестан 1 647,49 5,52% 21 245,91 71,18% 6 955,62 23,30%
Всего 6 521,98 10,75% 39 785,39 65,55% 14 384,27 23,70%
Учитывая все изменения по ландшафтам, в том числе комплементарно дублирующиеся, на первом месте по площади стоят изменения горно-луговых ландшафтов, которые «поджимаются» и захватываются снизу горно-лесными ландшафтами (сокращение на 65 %), а с другой стороны сами захватывают другие зоны (34 % рост). Рост идет в основном за счет горно-лесных ландшафтов (более двух третей роста площадей) и нивально-гляциальных ландшафтов (около трети). Наименее заметными являются изменения нивально-гляциальных ландшафтов, которые составили около 5 % от площади всех изменений (табл. 2).
Изменения сильно различаются по регионам Северного Кавказа (табл. 3). Они большей частью пропорциональны соотношению основных ландшафтных зон в регионах. Максимальные по площади изменения нивально-гляциальных ландшафтов в Карачаево-Черкессии и в Северной Осетии-Алании. При этом лежащая между ними Кабардино-Балкария отражает наименьшие площади сокращения ни-вально-гляциальных ландшафтов. Республика Дагестан и Карачаево-Черкесия переживают самые крупные изменения в горно-лесной зоне.
Рис. 2. Динамика трансформации ландшафтных зон высокогорной зоны Северного Кавказа за 2000-2020 гг. (пикселы изменений увеличены для наглядности)
Fig. 2. Transformation dynamics landscape zones in the high-mountain zone of the North Caucasus for 2000-2020 (change pixels are enlarged for clarity)
Рис. 3. Динамика границ горно-лесных ландшафтов за 2000-2020 гг. на территории Республики Дагестан (пикселы изменений увеличены для наглядности)
Fig. 3. Dynamics of the borders for mountain-forest landscapes for 2000-2020 on the territory of the Republic of Dagestan (pixels of changes are enlarged for clarity)
Pue. 4. Ареалы сокращения нивально-гляциальных ландшафтов в 2000-2020 гг. (пикселы изменений увеличены для наглядности)
Fig. 4. Areas of nival-glacial landscapes reduction in 2000-2020 (change pixels are enlarged for clarity)
При подробном анализе можно заметить, что увеличение лесов наблюдается практически повсеместно в высокогорье (рис. 2), особенно на верхней границе леса. Исключение составляет восточная часть Северного Кавказа, где уменьшения также приурочены и к нижней границе леса (Чеченская Республика, Дагестан). Уменьшение также заметно в восточной части Карачаево-Черкессии (плато Бечасын) и в большинстве осваиваемых долинах рек.
Уменьшение площадей горно-луговых ландшафтов заметно в среднегорьях. Увеличение в основном приурочено к ареалам, где наблюдается антропогенная деградация горных лесов, а также за счет сокращения нивально-гляциальной зоны.
Как видно из рисунка 4, наибольшие сокращения нивально-гляциальных ландшафтов наблюдаются на Центральном и Западном Кавказе (западнее массива Эльбрус). В Кабардино-Балкарии сокращения сопровождаются частичным увеличением ареалов нивально-гляциальных ландшафтов, что объясняет относительно небольшую долю суммарного сокращения ни-вально-гляциальной зоны в этой республике.
Заключение
Динамика границ высокогорных ландшафтов отражает сложную и, порой, не-
просто интерпретируемую картину: сокращение нивально-гляциальных ландшафтов и поднятие вверх (за счет освободившихся площадей) горно-луговых ландшафтов. В то же время горно-луговые ландшафты имеют тенденцию занимать и горно-лесные участки, т. е. опускаться вниз. При этом площадь горно-лесных ландшафтов в целом также увеличивается. Можно предположить, что причины разнообразия трендов изменения могут объясняться различиями в процессах трансформации использования земель в западном и восточном секторе Северного Кавказа, на локальном уровне - контрастными условиями северных и южных склонов крупных хребтов. Ощутимый отпечаток на современную ландшафтную динамику может оказывать предшествовавший характер землепользования. Выявление сложной цепочки причинно-следственных связей требует разработки региональных и локальных моделей с возможностью верификации закономерностей в полевых условиях на предварительно выбранных ключевых участках.
Основным результатом исследования можно считать доказанную возможность продуктивного использования глобальных данных дистанционного зонирования (LULC) на среднемасштабном страновом
(т. е. уровне физико-географической страны) уровне, а также выявление достоинств и недостатков традиционной и общепризнанной методологии оценки изменения так называемого земельно-ландшафтного покрова. К очевидным достоинства метода следует отнести, во-первых, корректную методику дешифрирования набора снимков с последующей разработкой унифицированного классификатора растровой по-
1. Алексеева Н. Н., Гуня А. Н., Черкасова А. А. Динамика земельного покрова на горных охраняемых природных территориях Северного Кавказа (на примере национального парка «Алания») // Вестник Московского университета. Серия 5: География. 2021. № 2. С. 92-102.
2. Выгодская И. Н, Горшкова И. И. Теория и эксперимент в дистанционных исследованиях растительности. М.: Гидрометеоиздат, 1987. 246 с.
3. Гуня А. Н. Мониторинг высокогорных территорий с использованием наземных и аэрокосмических снимков (на примере национального парка «Приэльбрусье»): дис. ... канд. геогр. наук. М., 1990. 180 с.
4. Гуня А. Н., Машкова Р. А., Гежаев А. М. Динамика и трендовые изменения высокогорных ландшафтов в горно-рекреационных районах Северного Кавказа // Вопросы географии. Москва: Издательский дом «Кодекс». 2014. Т. 137. С. 521-543.
5. Дейвис Ш. М., Ландгребе Д. А., Филипс Т. Л. и др. Дистанционное зондирование: количественный подход. М.: Недра, 1983. 415 с.
6. Кринов Е. Л. Спектральная отражательная способность природных образований. М.-Л.: Изд-во АН СССР, 1947. 272 с.
7. Колбовский Е. Ю., Гуня А. Н., Петрушина М. Н. Опыт сравнения геоинформационного моделирования и традиционного картографирования природных ландшафтов (на примере Приэльбрусья) // ИнтерКарто. ИнтерГИС. Геоинформационное обеспечение устойчивого развития территорий: материалы Международной конференции. 2022. Т. 28. С. 523-539.
8. Котляков В. М., Гуня А. Н., Грачева Р. А. Тенденции развития ландшафтов Северного Кавказа в условиях меняющегося климата и социально-экономических трансформаций: материалы 1 Кавказского международного экологического форума (Грозный, 15-16 октября 2013 г.). Грозный, 2013. С. 192-202.
9. Остроухов А. В. Оценка динамики антропогенной трансформации темнохвойных лесов Северного Сихотэ-Алиня на основе дистанционного зондирования // География и природные ресурсы. 2014. № 1. С. 155-160.
10. Шиятов С. Г., Моисеев П. А., Григорьев А. А. Мониторинг климатогенной динамики высокогорной древесной растительности при помощи
верхности, который может быть использован в любом регионе мира. Однако, как это часто бывает, недостатки любого метода являются прямым продолжением его достоинств: итоговые таксоны универсального классификатора на региональном уровне могут захватывать и объединять неблизкие типы реальных природных ландшафтов и землепользования.
ландшафтных фотоснимков на Южном Урале // Вопросы географии. 2014. № 137. С. 125-155.
11. Шихов А. Н., Герасимов А. П., Пономар-чук А. И., Перминова Е. С. Тематическое дешифрирование и интерпретация космических снимков среднего и высокого пространственного разрешения: учебное пособие. Пермь: Пермский государственный национальный исследовательский университет, 2020. 191 с. [Электронный ресурс]. URL: https://clck.ru/32ehnu (дата обращения: 15.03.2022)
12. DiMiceli C., Townshend J., Carroll M., Sohlberg R. Evolution of the representation of global vegetation by vegetation continuous fields. Remote Sensing Environ. 2021. Vol. 254. Pp. 112271.
13. Dubayah R., Blair J. B., Goetz S., Fatoyin-bo L., Hansen M., Healey S., Hofton M., Hurtt G., Kellner J., Luthcke S., Armston J., Tang H., Dun-canson L., Hancock S., Jantz P., Marselis S., Patterson P. L., Qi W., Silva C. The Global Ecosystem Dynamics Investigation: High-resolution laser ranging of the Earth's forests and topography. Science of Remote Sensing. 2020. 1, 100002.
14. Ewane E. B. Assessing land use and landscape factors as determinants of water quality trends in Nyong River basin, Cameroon. Environmental Monitoring and Assessment. 2020. 192(8). Pp. 1-35.
15. Ewane B. E., Lee H. H. Assessing land use/land cover change impacts on the hydrology of Nyong River Basin, Cameroon. Journal of Mountain Science. 2020. 17(1). Pp. 50-67.
16. Hansen M. C., Defries, R. S., Townshend J. R. G., Carroll M., Dimiceli C., Sohlberg R. A. Global Percent Tree Cover at a Spatial Resolution of 500 Meters: First Results of the MODIS Vegetation Continuous Fields Algorithm. Earth Interact. 2003. 7 (10). Pp 1-15.
17. Hansen M. C., Egorov A., Roy D. P., Pota-pov P., Ju J., Turubanova S., Kommareddy I, Love-land T. R. Continuous fields of land cover for the conterminous United States using Landsat data: First results from the Web-Enabled Landsat Data (WELD) project. Remote Sensing Letters. 2011. 2(4). Pp. 279-288.
18. Hansen M. C., Potapov P. V., Moore R., Hancher M., Turubanova S. A., Tyukavina A. et al. High-Resolution Global Maps of 21st-century For-
Литература
est Cover Change. Science. 2013. 342(6160). Pp. 850-853.
19. Lambin E. F., Turner B. L., Geist H. J., Ag-bola S. B., Angelsen A., Bruce J. W., Coomes O. T., Dirzo R., Fischer G., Folke C., George, P. S. et al. The causes of land-use and land-cover change: moving beyond the myths. Global Environmental Change. 2001. 11(4). Pp. 261-269.
20. Lambin E. F., Geist H., Rindfuss R. R. Introduction: local processes with global impacts. In: Land-Use and Land-Cover Change. Springer, Berlin, Heidelberg. 2006. Pp. 1-8.
21. Potapov P., Tyukavina A., Turubanova S., Talero Y., Hernandez-Serna A., Hansen M. C. et al. Annual continuous fields of woody vegetation structure in the Lower Mekong region from 20002017 Landsat time-series. Remote Sensing Environ. 2019. 232, 111278.
22. Potapo, P., Hansen M. C., Kommareddy I., Kommareddy A., Turubanova S., Pickens A. et al. Landsat Analysis Ready Data for Global Land Cover and Land Cover Change Mapping. Remote Sensing. 2020. 12(3), 426.
23. Potapov, P., Li, X., Hernandez-Serna, A., Tyukavina, A., Hansen, M. C., Kommareddy, A., et al. Mapping global forest canopy height through integration of GEDI and Landsat Data. Remote Sensing Environ. 2021. 253(4), 112165.
24. Potapov P, Hansen M. C., Pickens A., Hernandez-Serna A., Tyukavina A., Turubanova S., Zalles V., Li X., Khan A., Stolle F., Harris N., Song
1. Alekseeva N. N., Gunya A. N., Cherkasova A. A. Dynamics of land cover in the mountain protected natural areas of the North Caucasus (the case of Alania National Park). Vestnik Mos-kovskogo universiteta. Seriya 5: Geografiya [Moscow University Bulletin. Series 5: Geography]. 2021. No. 2. Pp. 92-102. (In Russian)
2. Vygodskaya I. N, Gorshkova I. I. Teoriya i eksperiment v distantsionnykh issledovaniyakh rastitel'nosti [Theory and Experiment in Remote Studies of Vegetation]. Moscow, Gidrometeoizdat Publ., 1987. 246 p. (In Russian)
3. Gunya A. N. Monitoring vysokogornykh territoriy s ispol'zovaniem nazemnykh i aero-kosmicheskikh snimkov (na primere natsion-al'nogo parka «Priel'brus'e»): dis. ... kand. geogr. nauk [Monitoring of High-Mountain Territories Using Ground and Aerospace Images (the case of Elbrus National Park): Ph.D. thesis (Geography)]. Moscow, 1990. 180 p. (In Russian)
4. Gunya A. N., Mashkova R. A., Gezhaev A. M. Dynamics and trend changes in highmountain landscapes in the mountain-recreational areas of the North Caucasus. Voprosy geografii [Issues of Geography]. Moscow, Kodeks Publ., 2014. Vol. 137. Pp. 521-543. (In Russian)
5. Davis Sh. M., Landgrebe D. A., Philips T. L. et al. Distantsionnoe zondirovanie: kolichestven-
X.-P., Baggett A, Kommareddy I., Kommareddy A. The Global 2000-2020 Land Cover and Land Use Change Dataset Derived from the Landsat Archive: First Results. Front. Remote Sens. 2022. 3:856903.
25. Resler L. M., Shao Y., Campbell J. B. and Michaels, A., 2020. Land cover and land use change in an emerging national park gateway region: Implications for mountain sustainability. In: Sarmiento F., Frolich L. M. (eds). The Elgar companion to geography, transdisciplinarity and sustainability. Edward Elgar Publishing, Cheltenham. Pp. 270-292.
26. Song X. P., Hansen M. C., Stehman S. V., Potapov P. V., Tyukavina A., Vermote E. F., Towns-hend J. R. Global land change from 1982 to 2016. Nature, 2018. 560(7720). Pp. 639-643.
27. Townshend J. R. (1992). Improved Global Data for Land Applications: A Proposal for a New High Resolution Data Set: Report of the Land Cover Working Group of IGBP-DIS. IGBP Secretariat, the Royal Swedish Academy of Science. 87 p.
28. Verburg P. H., Erb K.-H., Mertz O., Espindo-la G. Land System Science: Between global challenges and local realities. Current opinion in environmental sustainability. 2013. 5(5). Pp. 433-437.
29. Wulder M. A., Masek J. G., Cohen W. B., Loveland T. R., Woodcock C. E. Opening the archive: How free data has enabled the science and monitoring promise of landsat. Remote Sensing Environ. 2012. 122:2-10.
nyy podkhod [Remote Sensing: The Quantitative Approach]. Moscow, Nedra Publ., 1983. 415 p. (In Russian)
6. Krinov E. L. Spektral'naya otrazhatel'naya sposobnost' prirodnykh obrazovaniy [Spectral Reflectivity of Natural Formations]. Moscow-Leningrad, the USSR Academy of Sciences Publ., 1947. 272 p. (In Russian)
7. Kolbovskiy E. Yu., Gunya A. N., Petrushina M. N. Comparison of geoinformation modeling and traditional mapping of natural landscapes (the case of Elbrus Region). InterKarto.lnterGIS. Geoin-formatsionnoe obespechenie ustoychivogo razvitiya territoriy: materialy Mezhdunarodnoy konferentsii [InterKarto.InterGIS. Geoinformation Support for Sustainable Development of Territories: Proceedings of the International Conference]. 2022. Vol. 28. Pp. 523-539. (In Russian)
8. Kotlyakov V. M., Gunya A. N., Gracheva R. A. Tendentsii razvitiya landshaftov Severnogo Kavkaza v usloviyakh menyayushchegosya klimata i sotsial'no-ekonomicheskikh transformatsiy: materialy 1 Kavkazskogo mezhdunarodnogo ekologicheskogo foruma (Groznyy, 15-16 oktyabrya 2013 g.) [Trends in the Development of the North Caucasus Landscapes in a Changing Climate and Socio-Economic Transformations: Proceedings of the 1st Caucasian International Environmental Forum
References
(Grozny, October 15-16, 2013)]. Grozny, 2013. Pp. 192-202. (In Russian)
9. Ostroukhov A. V. Assessment of the anthropogenic transformation dynamics of dark coniferous forests in Northern Sikhote-Alin based on remote sensing. Geografiya i prirodnye resursy [Geography and Natural Resources]. 2014. No. 1. Pp. 155-160. (In Russian)
10. Shiyatov S. G., Moiseev P. A., Grigor'ev A. A. Monitoring of climatogenic dynamics of highmountain woody vegetation using landscape photographs in the Southern Urals. Voprosy geografii [Issues of Geography]. 2014. No. 137. Pp. 125155. (In Russian)
11. Shikhov A. N., Gerasimov A. P., Ponomar-chuk A. I., Perminova E. S. Tematicheskoe deshifrirovanie i interpretatsiya kosmicheskikh snimkov srednego i vysokogo prostranstvennogo razresheniya: uchebnoe posobie [Thematic Decoding and Interpretation of Space Images of Medium and High Spatial Resolution: A Manual]. Available at: https://clck.ru/32ehnu (accessed 15.03.2022). (In Russian)
12. DiMiceli C., Townshend J., Carroll M., Sohlberg R. Evolution of the representation of global vegetation by vegetation continuous fields. Remote Sensing Environ. 2021. Vol. 254. Pp. 112271.
13. Dubayah R., Blair J. B., Goetz S., Fatoyin-bo L., Hansen M., Healey S., Hofton M., Hurtt G., Kellner J., Luthcke S., Armston J., Tang H., Dun-canson L., Hancock S., Jantz P., Marselis S., Patterson P. L., Qi W., Silva C. The Global Ecosystem Dynamics Investigation: High-resolution laser ranging of the Earth's forests and topography. Science of Remote Sensing. 2020. 1, 100002.
14. Ewane E. B. Assessing land use and landscape factors as determinants of water quality trends in Nyong River basin, Cameroon. Environmental Monitoring and Assessment. 2020. 192(8). Pp. 1-35.
15. Ewane B. E., Lee H. H. Assessing land use/land cover change impacts on the hydrology of Nyong River Basin, Cameroon. Journal of Mountain Science. 2020. 17(1). Pp. 50-67.
16. Hansen M. C., Defries, R. S., Townshend J. R. G., Carroll M., Dimiceli C., Sohlberg R. A. Global Percent Tree Cover at a Spatial Resolution of 500 Meters: First Results of the MODIS Vegetation Continuous Fields Algorithm. Earth Interact. 2003. 7 (10). Pp 1-15.
17. Hansen M. C., Egorov A., Roy D. P., Pota-pov P., Ju J., Turubanova S., Kommareddy I, Love-land T. R. Continuous fields of land cover for the conterminous United States using Landsat data: First results from the Web-Enabled Landsat Data (WELD) project. Remote Sensing Letters. 2011. 2(4). Pp. 279-288.
18. Hansen M. C., Potapov P. V., Moore R., Hancher M., Turubanova S. A., Tyukavina A. et al. High-Resolution Global Maps of 21st-century Forest Cover Change. Science. 2013. 342(6160). Pp. 850-853.
19. Lambin E. F., Turner B. L., Geist H. J., Ag-bola S. B., Angelsen A., Bruce J. W., Coomes O. T., Dirzo R., Fischer G., Folke C., George, P. S. et al. The causes of land-use and land-cover change: moving beyond the myths. Global Environmental Change. 2001. 11(4). Pp. 261-269.
20. Lambin E. F., Geist H., Rindfuss R. R. Introduction: local processes with global impacts. In: Land-Use and Land-Cover Change. Springer, Berlin, Heidelberg. 2006. Pp. 1-8.
21. Potapov P., Tyukavina A., Turubanova S., Talero Y., Hernandez-Serna A., Hansen M. C. et al. Annual continuous fields of woody vegetation structure in the Lower Mekong region from 20002017 Landsat time-series. Remote Sensing Environ. 2019. 232, 111278.
22. Potapo, P., Hansen M. C., Kommareddy I., Kommareddy A., Turubanova S., Pickens A. et al. Landsat Analysis Ready Data for Global Land Cover and Land Cover Change Mapping. Remote Sensing. 2020. 12(3), 426.
23. Potapov, P., Li, X., Hernandez-Serna, A., Tyukavina, A., Hansen, M. C., Kommareddy, A., et al. Mapping global forest canopy height through integration of GEDI and Landsat Data. Remote Sensing Environ. 2021. 253(4), 112165.
24. Potapov P, Hansen M. C., Pickens A., Hernandez-Serna A., Tyukavina A., Turubanova S., Zalles V., Li X., Khan A., Stolle F., Harris N., Song X.-P., Baggett A, Kommareddy I., Kommareddy A. The Global 2000-2020 Land Cover and Land Use Change Dataset Derived from the Landsat Archive: First Results. Front. Remote Sens. 2022. 3:856903.
25. Resler L. M., Shao Y., Campbell J. B. and Michaels, A., 2020. Land cover and land use change in an emerging national park gateway region: Implications for mountain sustainability. In: Sarmiento F., Frolich L. M. (eds.). The Elgar companion to geography, transdisciplinarity and sustainability. Edward Elgar Publishing, Cheltenham. Pp. 270-292.
26. Song X. P., Hansen M. C., Stehman S. V., Potapov P. V., Tyukavina A., Vermote E. F., Townshend J. R. Global land change from 1982 to 2016. Nature, 2018. 560(7720). Pp. 639-643.
27. Townshend J. R. (1992). Improved Global Data for Land Applications: A Proposal for a New High Resolution Data Set: Report of the Land Cover Working Group of IGBP-DIS. IGBP Secretariat, the Royal Swedish Academy of Science. 87 p.
28. Verburg P. H., Erb K.-H., Mertz O., Espin-dola G. Land System Science: Between global challenges and local realities. Current opinion in environmental sustainability. 2013. 5(5). Pp. 433437.
29. Wulder M. A., Masek J. G., Cohen W. B., Loveland T. R., Woodcock C. E. Opening the archive: How free data has enabled the science and monitoring promise of landsat. Remote Sensing Environ. 2012. 122:2-10.
СВЕДЕНИЯ ОБ АВТОРАХ Принадлежность к организации Пуреховский Андрей Жоржевич, научный сотрудник, Институт географии РАН, Москва, Россия; e-mail: [email protected] Гуня Алексей Николаевич, доктор географических наук, ведущий научный сотрудник, Институт географии РАН, Москва, Россия; e-mail: [email protected]
Колбовский Евгений Юлисович, доктор географических наук, ведущий научный сотрудник, географический факультет, Московский государственный университет им. М. В. Ломоносова, Москва, Россия; e-mail: [email protected]
INFORMATION ABOUT AUTHORS Affiliations
Andrey Zh. Purekhovsky, Researcher, Institute of Geography, Russian Academy of Sciences, Moscow, Russia; e-mail: [email protected]
Alexey N. Gunya, Doctor of Science (Geography), Leading Researcher, Institute of Geography, Russian Academy of Sciences, Moscow, Russia; e-mail: [email protected]
Evgeny Y. Kolbovsky, Doctor of Science (Geography), Leading Researcher, Faculty of Geography, Lomonosov Moscow State University, Moscow, Russia; e-mail: [email protected]
Принята в печать 08.06.2022 г. Received 08.06.2022.
Науки о Земле / Earth Science Оригинальная статья / Original Article УДК 004.9:528.8:631.6 DOI: 10.31161/1995-0675-2022-16-2-84-92
Возможности использования геоинформационных и смежных технологий при проектировании гидромелиоративных систем
© 2022 Тесленок С. А., Гунин А. А., Долгачева Т. А.
Национальный исследовательский Мордовский государственный университет им. Н. П. Огарёва, Саранск, Россия; e-mail: [email protected]; [email protected],
РЕЗЮМЕ. Цель. Определение возможностей применения современных ГИС, геоинформационных и спутниковых технологий для сбора и обработки материалов инженерно-экологических изысканий в целях разработки проектной документации оросительных и осушительных гидромелиоративных систем. Методы. Сбор и обработка полевых и камеральных материалов инженерно-экологических изысканий, геоинформационно-картографических и спутниковых данных. Результаты. Приведены примеры практического использования современных ГИС, геоинформационных и спутниковых технологий в инженерно-экологических изысканиях для целей гидромелиорации Проектного института ООО «Водстройпроект-М» (г. Саранск, Республика Мордовия), включая выполненные в других регионах - Волгоградской и Самарской областях. По полученным с помощью навигационной программы SAS.Планета космоснимкам были выявлены территории, подверженные процессам засоления и распространения солонцовых почв, характерные для ландшафтов семиаридных и аридных регионов и определены места расположения курганных могильников, внесенных в Единый государственный реестр объектов культурного наследия (памятников истории и культуры) народов Российской Федерации. Дополнительно рассмотрены особенности использования спутниковых технологий с применением режима RTK-съемки (кинематики реального времени). Вывод. Любые инженерно-экологические изыскания основаны на сборе и обработке данных, включая результаты, получаемые при изучении и анализе геоинформационно-картографических материалов и спутниковых данных, и при этом неоценимы роль и значение ГИС. В качестве центрального звена и базового модуля при создании специализированной ГИС для целей мелиорации, предлагается использовать навигационную программу SAS.Планета, применяемую на всех этапах изысканий и проектирования. ГИС, геоинформационные и смежные технологии позволяют существенно экономить средства на финансовую составляющую инженерно-экологических изысканий для целей гидромелиорации и ускорять сроки их проведения, повысив при этом точность и качество
