CC BY
20
УДК 502.5:528.8
С. И. Евдокимов*, А. В. Штефуряк**
Псковский государственный университет, г. Псков, Россия *E-mail: serenia-8178@yandex.ru **E-mail: Shtefuryak2011@mail.ru
ИСПОЛЬЗОВАНИЕ ГИС-ТЕХНОЛОГИЙ В МОНИТОРИНГЕ ПРИРОДНЫХ И АНТРОПОГЕННЫХ ОБЪЕКТОВ
Современные автоматизированные геоинформационные системы позволяют получать наиболее оперативную и достоверную информацию о состоянии различных экосистем на любой территории, благодаря чему можно контролировать рациональное природопользование и устойчивое развитие экосистем. Целью исследования является изучение возможностей использования ГИС-технологий в мониторинге природных и антропогенных объектов. Для этого были выбраны два совершенно разных по климатическим, природным, социально-экономическим характеристикам региона исследования — Хорольский район Приморского края и Гдовский район Псковской области. Дана оценка изменения площади заболоченных территорий, лесных массивов и сельскохозяйственных земель в этих районах с конца 80-х годов ХХ в. до 2020 г.
Ключевые слова: геоинформационные системы, дистанционное зондирование, Landsat, экосистемы, природопользование, Приморский край, Псковская область.
Для цитирования: Евдокимов С. И., Штефуряк А. В. Использование ГИС-технологий в мониторинге природных и антропогенных объектов // Вестник Псковского государственного университета. Серия: Естественные и физико-математические науки. 2022. Т. 15. № 1. С. 70-93.
S. I. Evdokimov*, A. V. Shtefuryak**
Pskov State University, Pskov, Russia *E-mail: serenia-8178@yandex.ru **E-mail: Shtefuryak2011@mail.ru
USE OF GIS TECHNOLOGIES IN MONITORING NATURAL AND ANTHROPOGENIC OBJECTS
Modern automated geoinformation systems make it possible to obtain the most prompt and reliable information about the state of various ecosystems in any territory, thanks to which it is possible to control the rational use of natural resources and the sustainable development of ecosystems. The aim of the study is to study the possibilities of using GIS technologies in monitoring natural and anthropogenic objects. To do this, we chose two regions of study that are completely different in terms of climatic, natural, socioeconomic characteristics — the Khorolsky district of Primorsky Krai and the Gdovsky
district of the Pskov Region. An assessment is made of the change in the area of wetlands, forests and agricultural lands in these areas from the late 1980s to 2020.
Keywords: geographic information systems, remote sensing, Landsat, ecosystems, environmental management, Primorsky Krai, Pskov Region.
For citation: Evdokimov S. I., Shtefuryak A. V. (2022), Use of GIS technologies in monitoring natural and anthropogenic objects, Vestnik Pskovskogo gosudarstvennogo universiteta. Seriya: Estestvennye i fiziko-matematicheskie nauki [Bulletin of the Pskov State University. Series "Natural and physical and mathematical sciences"], vol. 15, no. 1, pp. 70-93. (In Russ.).
Введение. В настоящее время изучение и оценка состояния наземных экосистем особенно актуальны в связи с увеличением антропогенной нагрузки на окружающую среду, что требует получение оперативной и достоверной информации. Для обширных территорий наиболее эффективным является мониторинг и использование космических снимков. Современные автоматизированные геоинформационные системы позволяют получать наиболее оперативную и достоверную информацию о состоянии различных экосистем на любой самой удалённой территории, посредством чего можно контролировать рациональное природопользование (незаконные вырубки лесов, эффективность мероприятий по восстановлению природных объектов) и устойчивое развитие экосистем.
Территориальный объект исследования. Для изучения нами были взяты два совершенно разных по климатическим, природным, социально-экономическим характеристикам региона: Хорольский район Приморского края и Гдовский район Псковской области. Важно установить, как изменялись площади выделенных нами объектов с 1986 по 2020 гг., выявить сходства и различия, предположить, с чем это могло быть связано.
Цель исследования — изучить возможности использования ГИС-технологий в мониторинге природных и антропогенных объектов.
Для достижения поставленной цели были поставлены следующие задачи:
- рассмотреть дистанционное зондирование земли (ДЗЗ) и интерпретацию каналов спутников на примере Landsat и изучить использование индекса NDVI в мониторинге наземных экосистем;
- классифицировать снимки Landsat разных годов с помощью модуля SemiAutomatic Classification Plugin в QGIS, измерить площади выделенных природных и антропогенных объектов за разные годы, сравнить и определить достоверности их различия.
Основными методами исследования являются сравнительно-аналитический, статистический и картографический.
Результаты исследования. В настоящее время проводится систематизация большого количества информации о состоянии наземных экосистем, при этом оценивают их развитие не только в данный момент, но и составляют прогноз на будущее. Современная аппаратура ДЗЗ позволяет проводить периодическую съёмку Земли, тем самым показывая изменения поверхности земли под влиянием деятельности человека.
Принцип работы ДЗЗ основан на результатах измерения электромагнитного излучения, которое либо отражается, либо излучается объектом [6; 16]. Основной
71
источник электромагнитного излучения (естественный) — Солнце [7]. При съёмке земной поверхности записывается отражённое от объектов солнечное излучение [25]. Существуют два вида методов ДЗЗ:
- активное — использование искусственных источников света, вынуждающих излучение объектов;
- пассивное — использование естественного отражения, зависящего от солнечной радиации [9].
Диапазон измеряемых электромагнитных волн изменяется от нескольких долей микрометра (коротковолновое космическое излучение) до метров (радиоволны) [4; 8]. Классифицировать объекты на снимке возможно из-за того, что объекты разных типов — почва, водная поверхность, растительность и т. д., в разной степени отражают и поглощают электромагнитное излучение в том или ином диапазоне длин волн [27]. Для исследования были использованы снимки, сделанные американскими спутниками Landsat-4 и Landsat-8, которые имеют 7 и 11 каналов, соответственно, с разными диапазонами длин волн [31]. Получить данные снимки можно, пройдя регистрацию на сайте геологической службы США [18]. Спутник Landsat-8 получает данные в 9 диапазонах видимого света и ближнего инфракрасного излучения (ИК) и в 2 диапазонах дальнего (теплового) ИК (табл. 1).
Таблица 1
Характеристики каналов Landsat-8 [27]_
№ канала Спектральный диапазон (мкм) Пространственное разрешение (м)
1 0,43-0,45 (побережья и аэрозоли) 30
2 0,45-0,51 (синий) 30
3 0,53-0,59 (зелёный) 30
4 0,64-0,67 (красный) 30
5 0,85-0,88 (ближний ИК) 30
6 1,57-1,65 (ближний ИК) 30
7 2,11-2,29 (ближний ИК) 30
8 0,50-0,68 (панхроматический) 15
9 1,36-1,38 (перистые облака) 100
10-11 10,6-12,51 (тепловое ИК) 100
Данные, получаемые со спутника, представляют собой мультиспектральное изображение [3; 10]. Так, используя полученные каналы снимка со спутника Landsat, можно комбинировать каналы и создавать цветные изображения для разных целей, в т. ч. получить необходимую информацию о свойствах экологических объектов [26]. Например, комбинация каналов 5-4-3 «искусственные цвета» даёт большую наглядность для изучения состояния растительного покрова и агрокультур [27]. Растительность отображается в оттенках красного цвета. Чем насыщеннее красный цвет, тем больше растительности. На снимке предоставлена комбинация каналов 54-3 фрагмента Приморского края 5 сентября 2020 г. (рис. 1).
Рис. 1. Интерпретация каналов Landsat-8 искусственные цвета (5-4-3)
Комбинация 4-3-2 — «естественные цвета», здесь используются каналы видимого диапазона, поэтому объекты воспринимаются так, как их видит человеческий глаз. Данная комбинация используется в основном для анализа состояния водных объектов, а также для изучения антропогенных объектов [27]. На снимке представлен фрагмент Приморского края 5 сентября 2020 г. (рис. 2).
Рис. 2. Интерпретация каналов Landsat-8 естественные цвета (4-3-2)
Таким образом, сочетая каналы, можно выявить различные характеристики наземных экосистем на обширных территориях, при этом не исследуя территорию в полевых условиях.
Одним из самых распространённых индексов определения главного показателя экосистемы (фотосинтетическая активность биомассы) является NDVI-индекс [12; 15].
NDVI (Normalized Difference Vegetation Index — нормализованный относительный индекс растительности) — это качественный и количественный показатель растительности на участке поля [29].
Индекс вычисляется по формуле:
NDVI- N,R"RED
NIR+RED
где NIR — ближняя инфракрасная область спектра, RED — красная область спектра. Согласно формуле, индекс NDVI — это отношение между разностью и суммой отраженного света в красном и инфракрасном диапазонах [2].
Длина волны в красной области спектра 0,6-0,7 мкм, здесь находится максимум поглощения солнечной радиации растениями, инфракрасная область, длина волны 0,7-1,0 мкм, является максимумом отражения клеточных структур листа [2; 5]. Отношение интенсивностей данных показателей друг к другу позволяет с точностью отделять растительные объекты от других [1].
Для отражения NDVI используют стандартизированную непрерывную градиентную или дискретную шкалу, она показывает значения от 1 до -1 (рис. 3) [27]. Чем гуще зелёная масса, тем значение ближе к 1 (рис. 4-5).
■1.0 О
г
Рис. 3. Дискретная шкала индекса NDVI
Можно решать задачи комплексной оценки биоресурсов [17; 21]. Сравнивая два снимка, сделанных в июне, можно увидеть, что к 2007 г. в Черниговском районе Приморского края сократилось количество сельхозугодий, а леса стали восстанавливаться. В сентябре 2020 г. мы видим, что существенно упала фотосинтетическая активность лесных экосистем, т. е. значения NDVI в сентябре значительно ниже, чем в летние месяцы. Уменьшение значений индекса связаны с усыханием растительности и, следовательно, низким содержанием в ней хлорофилла.
В Гдовском районе Псковской области можно наблюдать те же процессы, в 2007 г., по сравнению с 1988 г., сократилось количество сельхозугодий, а лесные экосистемы стали восстанавливаться. В октябре 2018 г. можно увидеть, что значительно упала фотосинтетическая активность как лесных, так и луговых экосистем (рис. 6-11).
Рис. 4. Классификация Хорольского района с применением дискретной шкалы
NDVI-индекса
Рис. 5. Классификация Гдовского района с применением дискретной шкалы
NDVI-индекса
N
О 10 20 км
Рис. 6. Классификация Черниговского района с применением дискретной шкалы NDVI-индекса (июнь 1986 г.)
Чтобы измерить и сравнить площади изменений экосистем, необходимо воспользоваться модулем Semi-Automatic Classification Plugin (SCP). При помощи плагина SCP можно осуществлять контролируемую классификацию изображений дистанционного зондирования (рис. 12-15) [30].
Классификация снимков заключается в объединении пикселей растров со сходным уровнем яркостей [28]. Контролируемая классификация или классификация с обучением выполняется по значениям яркости пикселей после того, как были заданы эталоны (сигнатуры) для будущих кластеров — несколько диапазонов яркости пикселей.
N
л
10
20 км -1
Рис. 7. Классификация Черниговский района с применением дискретной шкалы
NDVI-индекса (июнь 2007 г.)
N
л
10
20 км
Рис. 8. Классификация Черниговского района с применением дискретной шкалы
NDVI-индекса (сентябрь 2020 г.)
N
О 15 ЗОкм
Рис. 9. Классификация Гдовского района с применением дискретной шкалы
NDVI-индекса (июнь 1988 г.)
N
О 15 30 км
Рис. 10. Классификация Гдовского района с применением дискретной шкалы
NDVI-индекса (июль 2007 г.)
N
А
О 15 ЗОкм
Рис. 11. Классификация Гдовского района с применением дискретной шкалы NDVI-индекса (октябрь 2018 г.)
Другими словами, каждый пиксель снимка относится к определённому классу объектов на местности, которому соответствует некоторая область [11]. Так, выполняя классификацию снимков с вычислением площадей, можно сравнивать районы разных регионов.
Нами было проведено сравнение основных экосистем Хорольского района Приморского края и Гдовского района Псковской области.
С помощью «Калькулятора полей» вычисляется площадь. Значение площади полигона отображается в квадратных километрах (табл. 2) [29].
Рис. 12. Классификация ландшафтов Хорольского района Приморского края
за 1986 г.
Рис. 13. Классификация ландшафтов Хорольского района Приморского края
за 2020 г.
Легенда
|Вода
Заболоченные территории Лес Другая
растительность | Почва
|С/х угодья Искусственные объекты (бетон, асфальт)
Рис. 14. Классификация ландшафтов Гдовского района Псковской области
за 1988 г.
Легенда
|Вода
Заболоченные территории Лес Другая
растительность | Почва
|С/х угодья Искусственные объекты (бетон, асфальт)
Рис. 15. Классификация ландшафтов Гдовского района Псковской области
за 2020 г.
Таблица 2
Сравнение площадей разных природных и антропогенных объектов на территории Хорольского района Приморского края и Гдовского района _Псковской области за разные года_
Объект Площадь (км2)
Хорольский район Гдовский район
1986 г 2020 г 1988 г 2020 г
Вода 1412,86 1877,67 89,70 88,63
Заболоченные территории 67,59 257,84 694,39 456,38
Лес 213,65 233,21 2055,97 1681,65
Другая растительность 498,90 453,96 267,76 925,67
Почва 381,23 324,67 94,10 79,91
Сельхозугодья 598,77 456,20 254,96 148,85
Искусственные объекты (бетон, асфальт) 130,33 273,93 44,4 91,82
По результатам классификации и полученных значений можно определить сходства и различия динамики изменения площадей основных экосистем на территории Хорольского района Приморского края и Гдовского района Псковской области (табл. 3).
Таблица 3
Сходства и различия динамики изменения площадей разных природных и антропогенных объектов на территории Хорольского района Приморского края и Гдов-
ского района Псковской области
Сравнение Хорольский район Гдовский район
Сокращение площади «сельскохозяйственных земель»
Сходства Увеличение площади «искусственных объектов»
Уменьшилась площадь «почвы»
Различия Площадь «заболоченных территорий» увеличилась Площадь «заболоченных территорий» уменьшилась
Площадь «леса» увеличилась Площадь «леса» сократилась
Площадь «воды» увеличилась Площадь «воды» уменьшилась
Уменьшение площади «другой растительности» Увеличение площади «другой расти-гельности»
Для того, чтобы проверить достоверность значений площади разных экосистем, полученных с помощью модуля SCP, мы воспользуемся критерием согласия Пирсона Х2 (Хи-квадрат). Критериями согласия называют статистические критерии, предназначенные для проверки согласия опытных данных и теоретической модели. Лучше всего их использовать, если наблюдения представляют случайную выборку. Критерий Х2
(Хи-квадрат) является непараметрическим, позволяет оценить статистическую значимость двух или нескольких частот. Для использования данного критерия имеются два ограничения: объём выборки должен быть большим: п>50; теоретическая частота для каждой ячейки таблицы не должна быть меньше 5: Ёеор>5 [23].
Выдвинем 2 гипотезы:
- Н0 (нулевая или основная): фактические и теоретические частоты равны и различия между ними носят исключительно случайный характер;
- Н1 (альтернативная): фактические и теоретические частоты отличаются и различия между ними вряд ли случайны.
Рассчитаем критическое (табличное) значение для разных экосистем, при допустимой вероятности ошибки 5 % Р-уа1ие (0,05). Сравним фактическое и критическое значение. Если фактическое значение (Хф) больше критического (Хкр), точка попадает в критическую область, соответственно мы принимаем альтернативную гипотезу — полученные значения площадей не являются достоверными. И наоборот, если Хф < Хкр принимается нулевая гипотеза, которая говорит о том, что полученные значения площадей являются достоверными, достоверность определялось на 0,99 (табл. 4).
Таблица 4
Достоверность значений площадей разных природных и антропогенных объектов на территории Хорольского района Приморского края и Гдовского района
Псковской области
Объект Вывод
Хорольский район Гдовский район
Вода достоверно не достоверно
Заболоченные территории достоверно достоверно
Лес не достоверно достоверно
Другая растительность не достоверно достоверно
Почва достоверно достоверно
Сельхозугодья достоверно достоверно
Искусственные объекты (бетон, асфальт) достоверно достоверно
Выводы. Таким образом, в Хорольском районе Приморского края за период времени с 1986 по 2020 гг. изменились площади основных элементов ландшафта:
1) площадь заболоченных территорий в 2020 г. по сравнению с 1986 г. увеличилась примерно в 4 раза. Появилось много болотистых участков на используемых в хозяйственных целях территориях. Это связано с климатическими условиями территории, где обильные летние осадки в сочетании с тяжёлыми почвами способствуют распространению поверхностного переувлажнения. Ещё одной причиной увеличения площади заболоченных территорий является стремительный рост уровня воды оз. Ханка. На повышение уровня воды в озере повлиял антропогенный фактор — сбрасывание излишков воды из рисовых оросительных систем в бассейне
р. Мулинхэ на территории Китая, а также снижение пропускной способности вытекающей из озера р. Сунгачи, в которой накопилось большое количество донных наносов;
2) площадь леса увеличилась примерно в 1,1 раза. Увеличение покрытой лесной растительностью площади происходит в результате естественной восстановительно-возрастной динамики лесов, а также проведения мер содействия естественному возобновлению, с 2004 г. по целевому назначению все леса Хорольского района относятся к защитным и имеют почвозащитное, водоохранное, санитарно-гигиеническое и эстетическое значения. А главными задачами являются охрана и восстановление лесных ресурсов. Возрождение лесных экосистем привело к повышению уровня воды в реках и озёрах, так с 1986 по 2020 гг. площадь воды увеличилась примерно в 1,3 раза;
3) уменьшилась площадь сельскохозяйственных земель в 1,3 раза, что связанно с уменьшением численности населения в сельской местности.
В Гдовском районе Псковской области за период времени с 1988 по 2020 гг. изменились площади элементов ландшафта:
1) площадь заболоченных территорий в 2020 г. по сравнению с 1988 г. уменьшилось примерно в 1,5 раза. Это связано с повышением температуры воздуха, что в дальнейшем приводит к высыханию болот. Высушенное болото является отличной средой для почвообразования (т. к. обильна влагой и биоматериалами), что в свою очередь привело к увеличению площади другой растительности (деревья и кустарники, мхи и травы) примерно в 3,5 раза, также причиной увеличения площади данной экосистемы является зарастание распаханных полей, что хорошо прослеживается на снимках с выполненной классификацией;
2) площадь леса сократилась примерно в 1,2 раза, что связано с антропогенным фактором воздействия на лесные экосистемы. На территории Гдовского района ведётся интенсивная вырубка хвойных лесов, что и приводит к заметному сокращению площади хвойной растительности и нарастанию сукцессионных процессов покрытосеменных растений.
3) сокращение площади сельскохозяйственных земель в 1,7 раза вызвано уменьшением численности сельского населения.
Литература
1. Антонов С. А. Использования данных со спутника LANDSAT 8 для анализа состояния растительности // Бюллетень Ставропольского научно-исследовательского института сельского хозяйства. 2013. № 5. С. 5-12.
2. Баширова Ч. Ф. Индекс NDVI для дистанционного мониторинга растительности // Молодой учёный. 2019. № 31 (269). С. 30-31.
3. Будиловская А. А., Баимбетов А. М. Дистанционное зондирование территории с помощью LANDSAT снимков // Учёные заметки ТОГУ. 2016. Т. 7. № 1. С. 7479.
4. Геоинформационные системы с дистанционным потоком информации. Географическое обеспечение управления народным хозяйством: Сборник статей / Под ред. Ю. Г. Симонова. М.: МГУ, 1990. 182 с.
5. Голубева Е. И., Каширина Е. С., Новиков А. А., Глухова А. В. Использование индекса NDVI для геоэкологической оценки особо охраняемых природных территорий на примере города Севастополя // ИнтерКарто. ИнтерГИС. 2019. Т. 25. № 1. С. 320-331.
6. Гош С. К, Чандра А М. Дистанционное зондирование и географические информационные системы. М.: Техносфера, 2008. 328 с.
7. Дистанционное зондирование и фотограмметрия. [Электронный ресурс]: URL: https://ecolog.pro/wp-content/uploads/2017/02/Конспект-лекций-ДЗЗ.pdf (дата обращения: 26.02.2022).
8. Дистанционное зондирование Земли при эколого-геологических исследованиях. [Электронный ресурс]: URL: http://www.geol.vsu.ru/ecology/ForStudents/4Gradu-ate/RemoteSensing/Lection02.pdf (дата обращения: 05.11.2021).
9. Евдокимов С. И., Михалап С. Г. Использование данных дистанционного зондирования Земли в региональном экологическом мониторинге // Социально-политические и эколого-хозяйственные проблемы развития Балтийского региона. Материалы международной научно-практической конференции 19-20 ноября 2015 г. Псков: Псковский государственный университет, 2015. C. 203-209.
10. Кашкин В. Б., Сухинин А. И. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений. М.: Логос, 2001. 264 с.
11. Коросов А. В., Коросов А. А. Техника ведения ГИС: приложение в экологии. Петрозаводск: ПетрГУ, 2006. 186 с.
12. Коротков А. А., Астапов А. Ю. Вегетационный индекс NDVI для мониторинга растительности // Наука и образование. 2020. Т. 3. № 3. С. 131-132.
13. Крылов А. М., Владимирова Н. А. Дистанционный мониторинг состояния лесов по данным космической съёмки // Геоматика. 2011. № 3 (12). С. 53-57.
14. Крылов А. М., Владимирова Н. А., Малахова Е. Г. Использование свободных ГИС в системе дистанционного лесопатологического мониторинга // Вестник Московского государственного университета леса — Лесной Вестник. 2012. № 1. С.148-152
15. Лиджиева Л. Ц., Уланова С. С., Федорова Н. Л. Опыт применения индекса вегетации (NDVI) для определения биологической продуктивности фитоценозов аридной зоны на примере региона Чёрные земли // Известия Саратовского университета. Новая серия. Серия: Химия. Биология. Экология. 2012. Т. 12. № 2. С. 93-96.
16. Лупян Е. А., Лаврова О. Ю., Барталев С. А., Аванесов Г. А., Шарков Е. А., Закут-ная О. «Дни космической науки — 2010» дистанционное зондирование Земли // Современные проблемы дистанционного зондирования Земли из космоса. 2010. Т. 7. № 4. С. 319-328.
17. Изображения Земли из космоса: примеры использования природоохранными организациями / Под ред. А. А. Маслова. М.: СКАНЭКС, 2005. 44 с.
18. Официальный сайт геологической службы США (USGS). [Электронный ресурс]: URL: http://earthexplorer.usgs.gov/ (дата обращения: 26.02.2022).
19. Официальный сайт природного комитета Псковской области. [Электронный ресурс]: URL: http://priroda.pskov.ru (дата обращения: 28.04.2022).
20. Официальный сайт NASA. [Электронный ресурс]: URL: https://landsat.gsfc. nasa.gov/ (дата обращения: 28.10.2020).
21. Рулев А. С., Канищев С. Н., Шинкаренко С. С. Анализ сезонной динамики NDVI естественной растительности Заволжья Волгоградской области // Современные проблемы дистанционного зондирования Земли из космоса. 2016. № 4. С. 113— 123.
22. Положение о территориальном планировании Хорольского муниципального района. [Электронный ресурс]: URL: https://goo.su/QA0 (дата обращения: 26.02.2022).
23. Руководство пользователя QGIS. [Электронный ресурс]: URL: https://docs .qgis. org/2.2/ru/docs/user_manual/introduction/ qgis_gui. html (дата обращения: 26.02.2022).
24. Статистический анализ в MS Excel. [Электронный ресурс]: URL: https://statanaliz.info// (дата обращения: 19.03.2022).
25. Сутырина Е. Н. Дистанционное зондирование Земли. Иркутск: ИГУ, 2013. 165 с.
26. Токарева О. С. Обработка и интерпретация данных дистанционного зондирования Земли. Томск: ТПУ, 2010. 125 с.
27. GIS-Lab. [Электронный ресурс]: URL: http://gis-lab.info/ (дата обращения: 26.02.2022).
28. Luca Congedo. Semi-Automatic Classification Plugin Documentation. Выпуск 6.4.0.2. 2020. 241 с.
29. Quantum GIS. [Электронный ресурс]: URL: http://www.qgis.org/ru/site/ (дата обращения: 24.02.2022).
30. Semi-Automatic Classification Plugin Documentation. [Электронный ресурс]: URL: https://semiautomatcdassificationmanual-v5.readthedocs.io/_/downloads/ar/lat-est/pdf/ (дата обращения: 04.12.2021).
31. Sharing Earth Observation Resourses. [Электронный ресурс]: URL: https://direc-tory.eoportal.org/web/eoportal/satellite-missions/l/landsat-8-ldcm (дата обращения: 08.03.2022).
Об авторах
Евдокимов Сергей Игоревич — кандидат географических наук, доцент кафедры географии, естественно-географический факультет, институт медицины и экспериментальной биологии, Псковский государственный университет, г. Псков, Россия.
E-mail: serenia-8178@yandex.ru
Штефуряк Алина Викторовна — студент, естественно-географический факультет, институт медицины и экспериментальной биологии, Псковский государственный университет, г. Псков, Россия.
E-mail: Shtefuryak2011@mail.ru
About the authors
Dr Sergey Evdokimov, Associate Professor, Department of Geography, Faculty of Natural Geography, Institute of Medicine and Experimental Biology, Pskov State University, Pskov, Russia.
E-mail: serenia-8178@yandex.ru
Alina Shtefuryak, Student of the Faculty of Natural Geography, Institute of Medicine and Experimental Biology, Pskov State University, Pskov, Russia. E-mail: Shtefuryak2011@mail.ru
Поступила в редакцию 14.03.2022 г. Поступила после доработки 16.04.2022 г. Статья принята к публикации 28.04.2022 г.
