CC BY
20
УДК 528.94:630*1
DOI: https://doi.Org/10.25686/2306-2827.2020.3.19
МОНИТОРИНГ РАСТИТЕЛЬНОГО ПОКРОВА МУХАФАЗА ЛАТАКИЯ СИРИЙСКОЙ АРАБСКОЙ РЕСПУБЛИКИ ПО СНИМКАМ LANDSAT
М. С. Али, С. А. Лежнин, О. Н. Воробьёв, Э. А. Курбанов
Поволжский государственный технологический университет, Российская Федерация, 424000, Йошкар-Ола, пл. Ленина, 3 E-mail: kurbanovea&volgatech.net
Дистанционный мониторинг растительного покрова является важным источником точной и своевременной информации, необходимой для анализа динамики его изменений (нарушений) и устойчивого управления территориями. Спутниковые изображения системы Landsat обеспечивают периодические наблюдения за растительным покровом с начала 70-х годов прошлого столетия, что позволяет проводить оценку его динамики и состояния. В работе был проведён мониторинг динамики растительного (лесного) покрова прибрежного мухафаза Ла-такия Сирийской Арабской Республики (САР) за четыре десятилетия по данным изображений Landsat-5 1993 г. и Landsat-8 2019 г. Для неуправляемой классификации спутниковых изображений был применён алгоритм ISODATA. Полученный в результате классификации набор исходных растровых тематических классов методом экспертного анализа был сгруппирован в восемь доминирующих классов наземного (растительного) покрова. Оценки точности тематической карты 2019 года проводилась на основе 261 тестового участка, заложенного на территории мухафаза Латакия в 2018 году. Тестовые участки также позволили сформировать легенду основных тематических классов наземного покрова для территории Латакии. Общая точность проведённой тематической классификации по алгоритму ISODATA составила более 80 %, а коэффициент Каппа - 0,76-0,78. Было установлено, что за прошедшие 36 лет произошло значительное расширение площадей участков, на 7,9 % покрытых древесными породами (сосна, дуб и посадки плодовых деревьев). Также наблюдается небольшой прирост на 1,1 % по площади сельскохозяйственных угодий, что обусловлено экономической активностью САР и ростом численности её населения. Полученные результаты свидетельствуют о высоком потенциале спутниковых данных Landsat для оценки труднодоступных горных лесных насаждений. Дальнейшие исследования в этой области могут быть направлены на понимание того, как происходящие изменения в растительном покрове влияют на социально-экономическую ситуацию и устойчивость лесных насаждений в средиземноморском бассейне.
Ключевые слова: Landsat; Сирийская Арабская Республика; Латакия; управляемая классификация; ISODATA; ГИС; горные леса.
Введение. Лесные экосистемы средиземноморского бассейна вносят большой вклад в сохранение биоразнообразия, существование флоры и фауны, способствуют устойчивому ведению сельского хозяйства стран региона, а также смягчению последствий изменения климата [1, 2]. Лесные насаждения этого региона мира, находясь под угрозой опустынивания, характеризуются пространственно-
временной разнородностью, которая обусловлена субтропическим климатом, высоким уровнем биоразнообразия и топографической изменчивостью [3, 4]. Поэтому даже небольшие участки древесно-кустарниковой растительности, произрастающие на территории стран средиземноморья, представляют собой важный элемент устойчивости земель к процессам опустынивания [5].
© Али М. С., Лежнин С. А., Воробьев О. Н., Курбанов Э. А., 2020.
Для цитирования: Али М. С., Лежнин С. А., Воробьёв О. Н., Курбанов Э. А. Мониторинг растительного покрова мухафаза Латакия Сирийской Арабской Республики по снимкам Landsat // Вестник Поволжского государственного технологического университета. Сер.: Лес. Экология. Природопользование. 2020. № 3 (47). С. 19-31. DOI: https://doi.Org/10.25686/2306-2827.2020.3.19
Исследования биологической продуктивности и нарушенности лесов в значительной степени основаны на долгосрочном мониторинге и пространственно-временном анализе лесного покрова [6-8]. Решению этих вопросов в значительной мере способствуют данные дистанционного зондирования Земли (ДЗЗ) и программные средства для обработки спутниковых данных [9-11]. ДЗЗ и географические информационные системы (ГИС) также широко используются для прогнозирования уровня пожарной опасности лесов и в совокупности с точными данными наземной инвентаризации могут быть использованы для принятия решений при ведении лесного хозяйства [12]. Данные ДЗЗ активно применяются исследователями во всём мире для мониторинга лесного (растительного) покрова, оценки влияния меняющегося климата на лесные экосистемы, процессов деградации и опустынивания территорий [13-15].
Решение этих вопросов обычно проводится на основе различных методов классификации изображений дистанционного зондирования с целью получения тематических карт наземного покрова [1315]. При этом подходы к классификации спутниковых изображений могут быть разделены на две общие категории:
1) классификация на основе пикселей и
2) объектно ориентированная классификация [16-18]. Более детальная тематическая классификация лесного покрова с определением динамики состава древо-стоев, основных таксационных показателей и типов леса может быть получена путём применения разновременных спутниковых снимков среднего и высокого пространственного разрешения [19-22].
Для решения вопросов дистанционного мониторинга растительного (лесного) покрова за более чем 20-летний период времени принято использовать изображения среднего пространственного разрешения системы спутников Landsat [23-26]. Широкое признание Landsat у специалистов в области ДЗЗ получил по несколь-
ким причинам: доступность архивной базы изображений в онлайн-режиме, потенциал работы с семью мультиспектраль-ными каналами в видимой и инфракрасной зоне электромагнитного спектра, приемлемый уровень пространственного и временного разрешения, оперативность получения снимков, а также широкий охват исследуемой территории [27, 28]. Интерес представляют исследования, использующие метод фьюжн (слияния) двух снимков (например, Landsat-8 и Sentinel-2) для повышения точности дешифрирования древесных пород при тематической классификации [29]. Forkuor и др. [30] использовали данные спутников Landsat-8 и Sentinel-2 при составлении карт землепользования и растительного покрова (ШЬС) в сельских районах Буркина-Фасо. Классификация всех спектральных каналов Sentinel-2, а также совмещение соответствующих каналов с данными Landsat-8, показало общую точность, которая на 5 % лучше, чем при использовании данных только одного спутника.
Американские учёные предложили алгоритм выявления и классификации непрерывных изменений в наземном покрове всего мира с использованием всех доступных (архивных) изображений спутниковой системы Landsat [31]. Преимущество этого алгоритма заключается в том, что коэффициенты модели временного ряда и среднеквадратичная ошибка исследуемых спутниковых данных рассматриваются дважды - до и после резких изменений в наземном покрове соответствующего региона [32]. Показатели динамики растительного покрова, полученные на основе анализа временных рядов, позволяют также выявить сезонные различия между лесными насаждениями и другими типами растительности, что также повышает точность классификации древесных пород и прогнозирование продуктивности лесов [33, 34].
Среди других разработок по тематическому картографированию растительности на континентальном уровне следует отметить карту земной поверхности SPOT-
VEGETATION [35, 36] и атлас приграничных лесов World Forest Watch [37]. На региональном уровне заслуживает внимания тематическая карта Марийского лесного Заволжья на 15 классов растительного (лесного) покрова, разработанная учёными из Поволжского государственного технологического университета [38, 39].
Мониторинг растительного покрова по данным спутниковой съёмки особенно актуален для средиземноморских лесов, которые в последние годы подверглись засухам, пожарам и вырубкам [40-42]. Кроме того, на состояние растительного (лесного) покрова оказывают влияние продолжающиеся военные конфликты на территории арабских стран этого региона.
Анализ литературных данных из открытых источников в области тематического картографирования растительного покрова показывает, что существуют большие расхождения между результатами исследований на глобальном и континентальном уровне. В то же время остаются нерешёнными вопросы валидации картографических данных и оценки точности карт лесного покрова по спутниковым снимкам среднего разрешения на региональном уровне. Несмотря на рост ме-
тодов по распознаванию наземного покрова, проблема производства точных карт изменений в региональном земле- и лесопользовании остаётся нерешённой.
Цель работы - провести оценку динамики растительного покрова на территории мухафаза 1 (провинция) Латакия Сирийской Арабской Республики по данным мультиспектральных разновременных снимков спутника Landsat.
Для достижения данной цели были решены следующие задачи:
• подобраны спутниковые снимки Landsat на территорию мухафаза Латакия за 1993 и 2019 гг.;
• разработана легенда классов наземного (растительного) покрова на территорию исследования;
• проведена неуправляемая классификация ISODATA для снимков и анализ динамики тематических классов;
• выполнена оценка точности проведённого картографирования мухафаза Ла-такия по тематическим классам.
Объектами исследования явились лесные насаждения в манатике (районе) Латакия на территории мухафаза Латакия САР, расположенной на восточном побережье Средиземного моря (рис. 1).
Рис. 1. Район мухафаза Латакия на карте Сирийской Арабской Республики (Yandex карта)
1 Административно-территориальная единица в САР. Мухафазы в свою очередь делятся на манати-ки (районы).
В мухафазе Латакия, который является самым лесистым в САР, произрастает 37 % растительных ресурсов страны, что эквивалентно 85 000 га. Большая часть этих насаждений расположены в горных массивах с крутыми склонами прибрежной зоны, расположенных параллельно границе побережья Средиземного моря [43]. Этот район характеризуется полусухим средиземноморским климатом и частыми периодами засухи в летний период, что приводит к опасности возникновения лесных пожаров, и сложностью их предотвращения и ликвидации [44].
Лесорастительные условия Латакии различаются в зависимости от географического положения: высоты над уровнем моря, удалённости от прибрежной зоны, степени влияния воздушных масс и осадков [45]. Лесные насаждения САР, произрастающие на горных массивах, распределяются на два типа: 1) лесные земли на западной части предгорных и горных районов Латакии и 2) восточные склоны горных массивов [46].
Методика исследования и материалы. Для формирования маски изображения на территорию мухафаза Латакия в работе были использованы два мультис-пектральных изображения спутников Landsat-5 ТМ (1993 г.) и Landsat-8 (2019 г.) с пространственным разрешени-
ем 30 м (табл. 1). Подбор этой серии снимков в первую очередь был обусловлен минимальной облачностью над исследуемой территорией. Работа со снимками проводилась в программных пакетах ENVI-5.0 и ArcGIS-10. Спутниковые снимки прошли стандартный уровень 1G геометрической и радиометрической калибровки. В работе были использованы композиты RGB этих изображений в сочетании 3, 2, 1 спектральных каналов спутника Landsat-5 и 4, 3, 2 спектральных каналов (аналогичных по диапазону Land-sat-5) спутника Landsat-8.
Для формирования однородных изображений на исследуемую территорию для всех снимков Landsat была проведена атмосферная коррекция в модуле FLAASH программного комплекса ENVI-5.0. В работе для классификации спутниковых изображений был применён алгоритм неуправляемой классификации ISODATA (Iterative Self-Organizing Data Analysis Technique). Для устранения эффекта смешивания исследуемых классов растительного покрова, полученных при соответствующих итерациях и имеющих близкие спектральные характеристики (в диапазоне 0,01 - 0,15 мкм), использовался способ пошаговой классификации с установленными порогами спектральных значений.
Таблица 1
Спутник Пространственное разрешение, м Спектральный диапазон GRB, мкм Номер снимка Время съёмки (весенне-летний период)
Landsat-5 30 0,45-0,69 RT LT05 L1TP 174036 19930713 13 июля 1993
Landsat-5 30 0,45-0,69 RT LT05 L1TP 174035 19930713 13 июля 1993
Landsat-8 30 0,45-0,67 LC08 L1TP 174035 201 90603 3 июня 2019 года
Landsat-8 30 0,58-0,67 LC08 L1TP 174036 201 90603 3 июня 2019 года
Характеристика спутниковых данных Landsat
С целью лучшей разделимости классов растительного покрова каждая маска изображения мухафаза Латакия первоначально была проклассифицирована на 25 классов. С каждой последующей итерацией алгоритма ISODATA тематические классы объединялись в более крупные. Тематические классы, которые нельзя было отнести к основным (доминирующим), проходили дополнительную переклассификацию на 14 тематических классов с последующим разнесением их в преобладающие. После формирования готовых тематических карт все сцены были объединены в общую тематическую карту западной части САР. Полученный в результате классификации
Легенда тематической карты назе
набор исходных растровых тематических классов методом экспертного анализа был сгруппирован в восемь доминирующих классов наземного покрова (табл. 2).
В основу формирования классов легенды для тематических карт была положена методика международной организации FAO (Food and Agricultural Organization) LCCS (Land Cover Classification System) [47]. Предложенная методика классификации позволяет сравнивать классы (лесные страты) различных тематических карт наземного покрова, независимо от их масштаба, типа растительного покрова, метода сбора данных и географического местоположения [46].
Таблица 2 юго покрова провинции Латакия САР
Наименование класса Код класса Описание Цвет
Сосна калабрийская СК Основной ярус представлен древостоем хвойных вечнозелёных пород, более 7 единиц в составе насаждения, высотой более 3 м и сомкнутостью полога более 70 %. Преобладающая порода - сосна калабрийская (Ртш bruita)
Дубовые Д Основной ярус представлен сомкнутым древостоем широколиственных пород. Преобладающие породы - дуб австрийский ((¿шкт cerris) и дуб калепринский (((иегсш' caШprmоs)
Сельскохозяйственные земли СЗ Сезонный максимум сельхозрастений соответствует 60-100 % занимаемой площади. Земли в основном используются под выращивание злаковых и овощных культур
Плантации плодовых деревьев ППД В основном класс представлен оливковыми насаждениями высотой более 2 м и сомкнутостью полога 30-60 %. Земли используются также под посадку и других фруктовых деревьев
Без растительности (открытые участки) ОУ Участки без растительного покрова или с покровом менее 10 % в течение 10 и более месяцев в году (песчаные карьеры, суглинистые почвы)
Населённые пункты (города, посёлки) НП Класс представлен искусственными объектами, где площадь зданий и сооружений составляет более 40 %; включает смешанный древесный растительный покров с высотой деревьев выше 3 м и сомкнутостью полога менее 10 %
Водный объект В Класс представлен водоёмами с наличием воды более 11 месяцев в году
Облака О Класс представлен облачным покровом и тенями от облаков
Пошаговая оценка точности классификации проводилась на основе коэффициентов матрицы различий (Confusion Matrix) и Каппа (Kappa Index), которые наиболее часто применяются в современных научных публикациях в области гео-матики. Оценка точности картографирования изображений Landsat проводилась на основе 261 тестового участка (эталона), заложенного на территории мухафаза Ла-такия в 2018 году аспирантом Поволжского государственного технологического университета М.С. Али [46]. Кроме того, для этой цели использовались существующие карты лесных насаждений и материалы спутниковой съёмки высокого разрешения (Yandex, Google, SAS Planet, Sentinel-2). После проведения классификации спутниковых снимков Landsat вновь полученные тематические классы наземного (растительного) покрова прошли процедуру генерализации в программном пакете ENVI с плавающим окном 3х3 пикселя и векторизацию в программном пакете ArcMap.
Общая точность классификации снимков 1993 и 2019 гг. была выше 80 %, статистика Каппа находилась в пределах 0,76-0,78. Значения этих статистик свидетельствуют о высоком соответствии полученных тематических карт натурным (экспериментальным) данным.
Результаты и обсуждение. Анализ динамики классов за 1993 по 2019 гг. путём сравнения данных вновь полученных карт
наземного (растительного) покрова показывает, что за прошедшие 36 лет произошло значительное расширение площадей участков, покрытых древесными породами (СК, Д и ППД), на 7,9 %. Эти классы занимают в 2019 году в целом 157 000 га (65,6 %) площади мухафаза Латакия (табл. 3).
Также произошло небольшое увеличение сельскохозяйственных угодий на 1,1 %. Большая часть лесных участков, представленная в основном хвойными породами (сосна и пихта), расположена в северной части Латакии. Смешанные и условно чистые дубовые древостои разных видов произрастают как в центральной, так и юго-восточной части территории исследования (рис. 2).
На тематической карте 2019 года также наблюдается небольшой прирост на 1,1 % по площади сельскохозяйственных угодий, что обусловлено экономической активностью САР и ростом численности её населения. Это также подтверждается расширением участков населённых пунктов на 0,4 % (969 га) от площади мухафаза Латакия с 1993 по 2019 гг. (табл. 3). Среди тематических классов, описывающих древесную растительность, значительная площадь 82 291 га (34,4 %) в 1993 году приходилась на ППД (плодовые деревья). В 2019 году этот класс увеличился по площади на 2 191 га (0,9 %), что особенно заметно на прибрежной территории Лата-кии, на которой изначально (с 1993 года) были расположены посадки цитрусовых.
Таблица 3
Класс Площади в 1993 г. Площади в 2019 г. Динамика площади
га % га % га %
СК 28 925 12,1 40 152 16,8 11 227 4,7
Д 25 531 10,7 30 890 12,9 5 359 2,2
ППД 82 291 34,4 84 482 35,3 2 191 0,9
СЗ 39 758 16,6 42 525 17,8 2 767 1,1
ОУ 58 009 24,3 37 840 15,8 -20 169 -7,0
В 1 337 0,6 1 480 0,6 143
НП 229 0,1 1 198 0,5 969 0,4
О 3 004 1,3 517 0,2 -2 487 -1,1
Итого: 239 084 100 239 084 100
Динамика площади классов наземного (растительного) покрова мухафаза Латакия за 1993-2019 гг (красным показано снижение, зелёным - увеличение)
Рис. 2. Тематические карты наземного (растительного) покрова на территорию Латакия: а) по снимку Landsat-5 1993 г., б) по снимку Landsat-8 2019 г.
Выводы. В работе проведена оценка динамики растительного (лесного) покрова на примере труднодоступных горных экосистем мухафаза Латакия САР по данным разновременных спутниковых изображений Landsat за 1993 и 2019 гг. Для тематической неуправляемой классификации был использован алгоритм ISODATA, который позволил в процессе 25 итераций выделить на изображениях 1993 и 2019 гг. восемь доминирующих классов наземного покрова. Оценка точности показала большой потенциал классификации спутниковых данных среднего разрешения по этому алгоритму с высокой точностью картографирования наземного покрова.
С целью лучшей разделимости классов растительного покрова при классификации методом ISODATA требуется провести предварительную оценку тематиче-
ских классов, которые могут быть на исследуемой территории. В нашем случае тематические классы, которые нельзя было отнести к основным (доминирующим), проходили дополнительную переклассификацию на 14 тематических классов с последующим разнесением их в преобладающие.
Разновременные спутниковые снимки Landsat (NASA) наряду с изображениями спутника Sentinel (ESA) представляют собой важные данные ДЗЗ для проведения долгосрочного мониторинга наземного покрова в целом для всей Сирийской Арабской Республики. Дальнейшие исследования в этой области могут быть направлены на понимание, как происходящие изменения в растительном покрове влияют на социально-экономическую ситуацию и устойчивость насаждений в средиземноморском бассейне.
Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 19-55-80010\19.
Список литературы
1. FAO. The State of the World's Forests 2018 -Forest pathways to sustainable development. Rome. 2018. 118 p.
2. IPCC. Climate Change 2007: Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change / M.L. Parry, O.F. Canziani, J.P. Palutikof, P.J. van der Linden and C.E. Hanson // Eds., Cambridge University Press, Cambridge, UK, 2007. 976 pp.
3. Hill J., Mehl W., A Itherr M. Land degradation and soil erosion mapping in a Mediterranean ecosystem // Imaging spectrometry - a tool for environmental observations. Eurocourses: Remote Sensing. -1994. Pp 237-260.
4. Guerra C.A., Maes J., Geijzendorffer I., Metzger M.J. An assessment of soil erosion prevention by vegetation in Mediterranean Europe: current trends of ecosystem service provision //Ecological Indicators. 2016. Vol. 60, pp. 213-222.
5. Calvao T., Palmeirim J.M. Mapping Mediterranean scrub with satellite imagery: biomass estimation and spectral behavior // International journal of remote sensing. 2004. Vol. 25. pp. 3113-3126.
6. Дистанционный мониторинг устойчивости лесных экосистем: монография / О.Н. Воробьев, Э. А.Курбанов, Е.Н. Демишева и др. Йошкар-Ола: Поволжский государственный технологический университет, 2019. 166 с.
7. Спутниковое картографирование растительного покрова России / С.А. Барталев, В. А. Егоров,
B. О. Жарко и др. М.: ИКИ РАН. 2016. 208 с.
8. Estimating Mediterranean forest parameters using multi seasonal Landsat 8 OLI imagery and an ensemble learning method / I. Chrysafis, G. Mallinis, I. Gitas et al. // Remote Sensing of Environment. 2017. Vol. 199. P. 154 - 166.
9. Спутниковый сервис мониторинга состояния растительности / Е.А. Лупян, И.Ю. Савин,
C.А. Барталев и др. // Современные проблемы дистанционного зондирования Земли из космоса. М.: ИКИ РАН. 2011. Т. 8. № 1. С. 190-198.
10. Monitoring conterminous United States (CONUS) land cover change with Web-Enabled Landsat Data (WELD) / M.C. Hansen, A. Egorov, P.V. Potapov et al. // Remote Sensing of Environment. 2014. Vol. 140. P. 466 - 484.
11. Методология мониторинга и прогнозирования пирогенной гибели лесов на основе данных спутниковых наблюдений / С.А. Барталев, Ф.В. Стыценко, С.А. Хвостиков и др. // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14, № 6. С. 176-193.
12. Дистанционный мониторинг лесных гарей в Марийском Заволжье / О.Н. Воробьёв, Э.А. Курбанов, А.В. Губаев и др. // Вестник Поволжского государственного технологического университета. № 1. 2012. С. 12-22.
13. Land management and the impact of the 2010 extreme drought event on the agricultural and ecological systems of European Russia / T. Loboda, O. Krankina, I. Savin et al // Land-Cover and Land-Use Changes in Eastern Europe after the Collapse of the Soviet Union in 1991. Eds. G. Gutman, R. Volker. 2017. P. 173-192.
14. Распознавание лесных насаждений и доминирующих древесных пород Пензенской области по данным спутника Sentinel-2 / Э.А. Курбанов, О.Н. Воробьев, С.А. Меньшиков и др. // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 5. С. 154-166.
15. Review of studies on tree species classification from remotely sensed data / F.E. Fassnacht, H. Latifi, K. Sterenczak et al. // Remote Sensing of Environment. 2016. Vol. 186. P. 64-87.
16. Geographic object-based image analysis -towards a new paradigm / T. Blaschke, G.J. Hay, M. Kelly et al. // ISPRS Journal of Photogrammetry and Remote Sensing. 2014. Vol. 87. Pp. 180-191.
17. Enhancing Land Cover Mapping through Integration of Pixel-Based and Object-Based Classifications from Remotely Sensed Imagery / Y. Chen, Y. Zhou, Y. Ge et al. // Remote Sensing. 2018. Vol 10(1). P. 1-15.
18. Duro D.C., Franklin S.E., Dube M.G. A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using spot-5 hrg imagery // Remote Sensing of Environment. 2012. Vol. 118, p. 259-272.
19. Жарко В.О., Барталев С А. Оценка распознаваемости древесных пород леса на основе спутниковых данных о сезонных изменениях их спектрально отражательных характеристик // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11. № 3. С. 159-170.
20. Kurbanov EA., Vorobev O.N., Menshikov S.A., Ali M.S. Tree species classification with Sentinel-2 data in European part of Russia // Earth observation advancements in a changing world. 2019. Vol. 1. Pp. 33-36.
21. Tree species classification in temperate forests using Formosat-2 satellite image time series / D. Sheeren, M. Fauvel, V. Josipovic et al. // Remote Sensing. 2016. Vol. 8. № 734. P. 1-29.
22. Performance evaluation of downscaling Sen-tinel-2 imagery for Land Use and Land Cover classification by Spectral-Spatial features / H. Zheng, P. Du, J. Chen et al. // Remote Sensing. 2017. Vol. 9 (1274). P. 1-17.
23. Labrecque S., Fournier R.A., Luther J.E., Piercey D. A comparison of four methods to map biomass from Landsat-TM and inventory data in western Newfoundland // Forest Ecology and Management journal. 2006. № 226. Pp. 129-144.
24. Оценка точности и сопоставимости тематических карт лесного покрова разного пространственного разрешения на примере Среднего Поволжья / Э.А. Курбанов, О.Н. Воробьев, А.В. Губаев и др. //
Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 1. С. 36-48.
25. Hua L., ZhangX., Chen X., Yin K., Tang L. A feature-based approach of decision tree classification to map time series urban Land Use and Land Cover with Landsat 5 TM and Landsat 8 OLI in a coastal city, China // International Journal of Geo-Information. 2017. Vol. 6. № 331. ID: 0331. P. 1-18.
26. Терехин Э.А. Анализ текстурных признаков земельных угодий по космическим снимкам Landsat TM // Землеустройство, кадастр и мониторинг земель. 2010. № 8. С. 47-52.
27. Оценка площади пожаров на основе ком-плексирования спутниковых данных различного пространственного разрешения MODIS и Landsat-TM/ETM+ / С.А. Барталев, В.А. Егоров, В.Ю. Ефремов и др. // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. № 2. С. 343-351.
28. Четыре десятилетия исследований лесов по снимкам Landsat / Э.А. Курбанов, О.Н. Воробьев, А.В. Губаев и др. // Вестник Поволжского государственного технологического университета. Сер.: Лес. Экология. Природопользование. 2014. № 1 (21). С. 18-32.
29. Wang Q., Atkinson P.M. Spatiotemporal fusion for daily Sentinel-2 images // Remote Sensing of Environment. 2018. Vol. 204. P. 31-42.
30. Forkuor G., Dimobe K., Serme I., Ton-doh J.E. Landsat-8 vs. Sentinel-2: examining the added value of Sentinel-2's red-edge bands to land-use and land-cover mapping in Burkina Faso // GIScience & Remote Sensing. 2018. Vol. 55. № 3. P. 331-354.
31. Zhu Z., Woodcock C.E. Continuous change detection and classification of land cover using all available Landsat data // Remote Sensing of Environment. 2014. Vol. 144. P. 152-171.
32. Multi-Type Forest Change Detection Using BFAST and Monthly Landsat Time Series for Monitoring Spatiotemporal Dynamics of Forests in Subtropical Wetland / L. Wu, Z. Li, X. Liu et al. // Remote Sensing. 2020. Vol. 12(2), № 341. P. 1-33.
33. Integration of Landsat time series and field plots for forest productivity estimates in decision support models / C. Boisvenue, B.P. Smiley, J.C. White et al. // Forest Ecology and Management. 2016. Vol. 376. P. 284-297.
34. Zhu X., Liu D. Improving forest aboveground biomass estimation using seasonal Landsat NDVI time-series // ISPRS Journal of Photogrammetry and Remote Sens. 2015. Vol. 102. P. 222-231.
35. New SPOT4-VEGETATION derived land cover map of Northern Eurasia / S.A.Bartalev, A.S. Belward, D. Ershov et al. // International Journal of Remote Sensing. 2003.Vol. 24. P. 1977-1982.
36. Разработка информационной системы поддержки мониторинга состояния и динамики наземных экосистем Северной Евразии по данным спутниковых наблюдений / С.А. Барталев, М.А. Бурцев, Е.А. Лупян
и др. // Современные проблемы дистанционного зондирования Земли из космоса. 2004. N° 1. С. 131-139.
37. Aksenov D., Dobrynin D., Dubinin M. et. al. Atlas of Russia's Intact Forest Landscapes / Biodiversity Conservation Center, Greenpeace Russia, International Socio-Ecological Union, World Resources Institute, Moscow, Russia [Электронный ресурс]. 2002. URL: http ://pdf.wri.org/gfw_atlas_full.pdf
38. Пространственно-временной анализ динамики лесного покрова в Среднем Поволжье по спутниковым данным: монография / под общ. ред. проф. Э. А. Курбанова / О.Н. Воробьёв, Э.А. Курбанов, Ю.А. По-левщикова и др. Йошкар-Ола: Поволжский государственный технологический университет, 2019. 200 с.
39. Тематическое картирование растительного покрова по спутниковым снимкам: валидация и оценка точности. Монография. / Э.А. Курбанов, О.Н. Воробьев, С.А. Лежнин и др. Йошкар-Ола: ПГТУ. 2015. 131 с.
40.Mirici M.E., Berberoglu S., Akin A., Satir O. Land use/cover change modelling in a Mediterranean rural landscape using multi-layer perceptron and Markov chain (mlp-mc) // Applied Ecology and Environmental research. 2017. Vol. 16. № 1. P. 467-486.
41. Somot S., Sevault F., Déqué M., Crépon M. 21st century climate change scenario for the Mediterranean using a coupled atmosphere-ocean regional climate model // Global and Planetary Change. 2008. Vol. 63. № (2-3). P. 112 - 126.
42. Puletti N., Chianucci F., Castaldi C. Use of Sen-tinel-2 for forest classification in Mediterranean environments // Annals of silvicultural research. 2018. Vol. 42(1).
43. Воробьев О.Н., Али М.С. Классификация лесного покрова мухафаза Латакия Сирийской Арабской Республики по данным спутника Senti-nel-2 / Лесные экосистемы в условиях изменения климата: биологическая продуктивность и дистанционный мониторинг: сборник научных статей. Йошкар-Ола: ПГТУ, 2018. № 4. С. 110-122.
44. Али М.С. Картографирование растительного покрова Сирийской Арабской Республики по данным спутника MODIS // Лесные экосистемы в условиях изменения климата: биологическая продуктивность и дистанционный мониторинг: сборник научных статей. Йошкар-Ола: ПГТУ. 2017. № 3. С. 74-84.
45. Lattakia agriculture directorate. Forest Fire Management Plan / 2018 / Lattakia 2018. P. 1-48.
46. Али М.С., Воробьёв О.Н., Курбанов Э.А. Алгоритм «дерево решений» для классификации лесов Сирийской Арабской Республики по снимку SENTINEL-2 // Вестник Поволжского государственного технологического университета. Сер.: Лес. Экология. Природопользование. 2020. № 1 (45). С. 5-30.
47. Система классификации земного покрова (LCCS): Понятия классификации и руководство пользователя / Организация ООН по вопросам продовольствия и сельского хозяйства. Рим. 2005. 108 с.
Статья поступила в редакцию 01.08.2020 Принята к публикации 21.09.2020
Информация об авторах
АЛИ Саид Махер - аспирант кафедры лесоводства и лесоустройства, Поволжский государственный технологический университет. Область научных интересов - дистанционное зондирование лесов и ГИС, борьба с лесными пожарами, мониторинг лесных экосистем. Автор семи публикаций
ЛЕЖНИН Сергей Анатольевич - кандидат сельскохозяйственных наук, доцент кафедры лесоводства и лесоустройства, Поволжский государственный технологический университет. Область научных интересов - дистанционное зондирование земли, биологическая продуктивность лесных экосистем. Автор 30 научных публикаций.
ВОРОБЬЁВ Олег Николаевич - кандидат сельскохозяйственных наук, доцент кафедры лесоводства и лесоустройства, Поволжский государственный технологический университет. Область научных интересов - дистанционное зондирование лесов и ГИС, депонирование углерода лесными экосистемами, мониторинг лесных экосистем. Автор 70 научных и учебно-методических работ.
КУРБАНОВ Эльдар Аликрамович - доктор сельскохозяйственных наук, профессор кафедры лесоводства и лесоустройства, руководитель международного центра совершенства им. Жана Моне, Поволжский государственный технологический университет. Область научных интересов - устойчивое управление лесами, дистанционное зондирование земли и ГИС, биологическая продуктивность лесных экосистем, депонирование углерода лесными экосистемами, леса Киото. Автор 160 научных и учебно-методических работ.
UDC 528.94:630*1
DOI: https://doi.Org/10.25686/2306-2827.2020.3.19
VEGETATION COVER MONITORING OF MUHAFASAH LATAKIA IN SYRIAN ARAB REPUBLIC USING LANDSAT IMAGES
M. S. Ali, S. A. Lezhnin, O. N. Vorobev, E. A. Kurbanov Volga State University of Technology, 3 Lenin Sq., Yoshkar-Ola, 424000, Russian Federation E-mail: kurbanovea&volgatech.net
Keywords: Landsat; Syrian Arab Republic; Latakia; unsupervised classification; ISODATA; mountain forests.
ABSTRACT
Introduction. Remote monitoring of vegetation cover is an important source of accurate and timely information needed to analyze the dynamics of its changes (disturbances) and sustainable management of territories. Landsat Satellite images provide periodic observations of the vegetation cover since the early 70s of the last century, which makes it possible to evaluate its dynamics and conditions. The objective of this research is to estimate the dynamics of vegetation cover on the territory of Latakia muhafasah of the Syrian Arab Republic (SAR) based on data from multispectral multi-temporal images of the Landsat satellite. To achieve this goal, the following tasks were solved: 1) Collected Landsat satellite images for the territory of Latakia for 1993 and 2019; 2) A legend of the classes of land (vegetation) cover for the study area was developed; 3) Unsupervised ISODATA classification for the images and analysis of the dynamics of thematic classes were carried out; 4) Accuracy assessment of the Latakia mapping carried out by thematic classes. Methodology. In the research, monitoring of the vegetation cover dynamics of the mu-hafazah Latakia in the Syrian Arab region was carried out for 4 decades using the Landsat 5 1993 and Landsat 8 2019 images. The ISODATA algorithm was usedfor the unsupervised classification of the satellite images. The set of initial raster thematic classes as a result of the classification were grouped into 8 dominant classes of land (vegetation) cover by expert analysis. For the 2019 thematic map accuracy assessment 261 test sites were used, established in the Latakia in 2018. The test sites also made it possible to form the legend of the main land cover classes for the Latakia territory. The overall accuracy of the carried out thematic classification for the Landsat 1993 and 2019 images by the ISODATA algorithm is more than 80%, and the Kappa coefficient is about 0,76-0,78. Results and conclusions. It was found that over the past 36 years, there has been a significant increase by 7.9% in the area of sites, covered with woody species (pine, oak andfruit trees). There is also a slight increase of 1.1% in the area of agricultural lands, which is due to the economic activity of the SAR and the growth of its population. The results obtained indicate the high potential of Landsat satellite data for assessing hard-to-reach mountain forest stands. Further research in this area can be aimed at understanding how the ongoing changes in the vegetation cover affect the social-economic situation and the sustainability of forests in the Mediterranean basin.
Acknowledgments: The reported study was funded by RFBR, project number 19-55-80010\19
REFERENCES
1. FAO. The State of the World's Forests 2018 -Forest pathways to sustainable development. Rome. 2018. 118 p.
2. IPCC. Climate Change 2007: Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change / M.L. Parry, O.F. Canziani, J.P. Palutikof, P.J. van der Linden and C.E. Hanson // Eds., Cambridge University Press, Cambridge, UK, 2007. 976 pp.
3. Hill J., Mehl W., Altherr M. Land degradation and soil erosion mapping in a Mediterranean ecosystem. Imaging spectrometry - a tool for environmental observations. Eurocourses: Remote Sensing. 1994. Pp 237-260.
4. Guerra C.A., Maes J., Geijzendorffer I., Metzger M.J. An assessment of soil erosion prevention by vegetation in Mediterranean Europe: current trends of ecosystem service provision. Ecological Indicators. 2016. Vol. 60. Pp. 213-222.
5. Calvao T., Palmeirim J.M. Mapping Mediterranean scrub with satellite imagery: bio-mass estimation and spectral behavior. International journal of remote sensing. 2004. Vol. 25. pp. 3113-3126.
6. Vorobev O.N., Kurbanov E.A., Demisheva E.N. et al. Distantsionnyy monitoring ustoychivosti lesnykh ekosistem: monografiya [Remote monitoring of forest ecosystems sustainability: monograph.]. Yoshkar-Ola: Povolzhskiy gosudarstvennyy tekhno-logicheskiy universitet, 2019. 166 p. (In Russ.).
7. Bartalev S.A., Egorov V.A., Zharko V.O. et al. Sputnikovoe kartografirovanie rastitel'nogo pokrova Rossii [Vegetation cover satellite mapping in Russia]. Moscow: IKI RAN. 2016. 208 p. (In Russ.).
8. Chrysafis I., Mallinis G., Gitas I. et al. Estimating Mediterranean forest parameters using multi seasonal Landsat 8 OLI imagery and an ensemble learning method. Remote Sensing of Environment. 2017. Vol. 199. P. 154 - 166.
9. Lupian E.A., Savin I.Iu., Bartalev S.A.et al. Sputnikovyy servis monitoringa sostoyaniya ras-titel'nosti [A satellite service for the monitoring of vegetation condition]. Sovremennye problemy dis-tantsionnogo zondirovaniya Zemli iz kosmosa [Current Problems in Remote Sensing of the Earth from Space]. Moscow: IKI RAN. 2011. № 1. Vol. 8. Pp. 190-198. (In Russ.).
10. Hansen M.C., Egorov A., Potapov P.V. et al. Monitoring conterminous United States (CONUS) land cover change with Web-Enabled Landsat Data (WELD). Remote Sensing of Environment. 2014. Vol. 140. P. 466 - 484.
11. Bartalev S.A., Stytsenko F.V., Khvos-tikov S.A. et al. Metodologiya monitoringa i prognozi-rovaniya pirogennoy gibeli lesov na osnove dannykh sputnikovykh nablyudeniy [Methodology of monitor-
ing and forecasting of fire-caused destruction of forests based on the data of satellite observations]. Sov-remennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa [Current Problems in Remote Sensing of the Earth from Space]. 2017. Vol. 14, No 6. Pp. 176-193. (In Russ.).
12. Vorobev O.N., Kurbanov E.A., Gubaev A.V. et al. Distantsionnyy monitoring lesnykh garey v Mariyskom Zavolzh'e [Remote monitoring of forest fire-sites in Mari Trans-Volga Region]. Vestnik Pov-olzhskogo gosudarstvennogo tekhnologicheskogo uni-versiteta. Ser.: Les. Ekologiya. Prirodopol'zovanie. [Vestnik of Volga State University of Technology. Ser.: Forest. Ecology. Nature Management]. No 1. 2012. Pp. 12-22. (In Russ.).
13. Loboda T., Krankina O., Savin I. et al. Land management and the impact of the 2010 extreme drought event on the agricultural and ecological systems of European Russia. Land-Cover and Land-Use Changes in Eastern Europe after the Collapse of the Soviet Union in 1991. Eds. G. Gutman, R. Volker. 2017. P. 173-192.
14. Kurbanov E.A., Vorobev O.N., Menshikov S.A. et al. Raspoznavanie lesnykh nasazhdeniy i dominiruyushchikh drevesnykh porod Penzenskoy oblasti po dannym sputnika Sentinel-2 [Detection of forest vegetation and dominant wood species in Penza oblast by the data of Sentinel-2]. Sovremennye prob-lemy distantsionnogo zondirovaniya Zemli iz kosmosa [Current Problems in Remote Sensing of the Earth from Space]. 2018. Vol. 15. No 5. Pp. 154-166.
15. Fassnacht F.E., Latifi H., Sterenczak K. et al. Review of studies on tree species classification from remotely sensed data. Remote Sensing of Environment. 2016. Vol. 186. P. 64-87.
16. Blaschke T., Hay G.J., Kelly M. et al. Geographic object-based image analysis - towards a new paradigm. ISPRS Journal of Photogrammetry and Remote Sensing. 2014. Vol. 87. Pp. 180-191.
17. Chen Y., Zhou Y., Ge Y. et al. Enhancing Land Cover Mapping through Integration of Pixel-Based and Object-Based Classifications from Remotely Sensed Imagery. Remote Sensing. 2018. Vol 10(1), Pp. 1-15.
18. Duro D.C., Franklin S.E., Dube M.G. A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using spot-5 hrg imagery. Remote Sensing of Environment. 2012, Vol. 118. Pp. 259-272.
19. Zharko V.O., Bartalev S.A. Otsenka raspoz-navaemosti drevesnykh porod lesa na osnove sputnikovykh dannykh o sezonnykh izmeneniyakh ikh spektral'no otrazhatel'nykh kharakteristik [An assessment of wood species detectability based on the satellite data about the seasonal changes of their spectrally
reflectance profiles]. Sovremennye problemy dis-tantsionnogo zondirovaniya Zemli iz kosmosa [Current Problems in Remote Sensing of the Earth from Space]. 2014. Vol. 11. No 3. Pp. 159-170. (In Russ.).
20. Kurbanov E.A., Vorobev O.N., Menshikov S.A., Ali M.S. Tree species classification with Senti-nel-2 data in European part of Russia. Earth observation advancements in a changing world. 2019. Vol. 1. Pp. 33-36.
21. Sheeren D., Fauvel M., Josipovic V. et al. Tree species classification in temperate forests using Formosat-2 satellite image time series. Remote Sensing. 2016. Vol. 8. No 734. P. 1-29.
22. Zheng H., Du P., Chen J. et al. Performance evaluation of downscaling Sentinel-2 imagery for Land Use and Land Cover classification by Spectral-Spatial features. Remote Sensing. 2017. Vol. 9 (1274). P. 1-17.
23. Labrecque S., Fournier R.A., Luther J.E., Piercey D. A comparison of four methods to map biomass from Landsat-TM and inventory data in western Newfoundland. Forest Ecology and Management journal. 2006. № 226. Pp. 129-144.
24. Kurbanov E.A., Vorobev O.N., Gubaev A.V. et al. Otsenka tochnosti i sopostavimosti tematich-eskikh kart lesnogo pokrova raznogo prostranstven-nogo razresheniya na primere Srednego Povolzhya [An assessment of accuracy and comparability of thematic maps of forest cover of various spatial resolution based on the example of Middle Volga Region]. Sovremennye problemy distantsionnogo zondirovani-ya Zemli iz kosmosa [Current Problems in Remote Sensing of the Earth from Space]. 2016. Vol. 13. No 1. Pp. 36-48. (In Russ.).
25. Hua L., Zhang X., Chen X. et al. A feature-based approach of decision tree classification to map time series urban Land Use and Land Cover with Landsat 5 TM and Landsat 8 OLI in a coastal city, China. International Journal of Geo-Information. 2017. Vol. 6. № 331. ID: 0331. P. 1-18.
26. Terekhin E.A. Analiz teksturnykh priznakov zemel'nykh ugodiy po kosmicheskim snimkam Landsat TM [The analysis of textural features of the land by Landsat TM images]. Zemleustroystvo, kadastr i monitoring zemel' [Land Use, Inventory and Monitoring of Lands]. 2010. No 8. Pp. 47-52. (In Russ.).
27. Bartalev S.A., Egorov V.A., Efremov V.Iu. Et al. Otsenka ploshchadi pozharov na osnove kom-pleksirovaniya sputnikovykh dannykh razlichnogo prostranstvennogo razresheniya MODIS i Landsat-TM/ETM+ [An assessment of the fire zone based on the complexation of MODIS and Landsat-TM/ETM+satellite data of various special resolution]. Sovremennye problemy distantsionnogo zondirovani-ya Zemli iz kosmosa [Current Problems in Remote Sensing of the Earth from Space]. 2012. No 2. Vol. 9.Pp. 343-351. (In Russ.).
28. Kurbanov E.A., Vorobev O.N., Gubaev A.V. et al. Chetyre desyatiletiya issledovaniy lesov po snim-
kam Landsat [Four decades of forest study by Landsat images]. Vestnik Povolzhskogo gosudarstvennogo tekhnologicheskogo universiteta. Ser.: Les. Ekologiya. Prirodopol'zovanie. [Bulletin of Volga State University of Technology. Ser.: Forest. Ecology. Nature Management]. 2014. No 1 (21). Pp. 18-32. (In Russ.).
29. Wang Q., Atkinson P.M. Spatiotemporal fusion for daily Sentinel-2 images. Remote Sensing of Environment. 2018. Vol. 204. P. 31-42.
30. Forkuor G., Dimobe K., Serme I., Tondoh J.E. Landsat-8 vs. Sentinel-2: examining the added value of Sentinel-2's red-edge bands to land-use and land-cover mapping in Burkina Faso. GIScience & Remote Sensing. 2018. Vol. 55. No 3. P. 331-354.
31. Zhu Z., Woodcock C.E. Continuous change detection and classification of land cover using all available Landsat data. Remote Sensing of Environment. 2014. Vol. 144. P. 152-171.
32. Wu L., Li Z., Liu X. et al. Multi-Type Forest Change Detection Using BFAST and Monthly Landsat Time Series for Monitoring Spatiotemporal Dynamics of Forests in Subtropical Wetland. Remote Sensing. 2020. Vol. 12 (2), No 341. P. 1-33.
33. Boisvenue C., Smiley B.P., White J.C. et al. Integration of Landsat time series and field plots for forest productivity estimates in decision support models. Forest Ecology and Management. 2016. Vol. 376. P. 284-297.
34. Zhu X., Liu D. Improving forest aboveground biomass estimation using seasonal Landsat NDVI time-series. ISPRS Journal of Photogrammetry and Remote Sens. 2015. Vol. 102. P. 222-231.
35. Bartalev S.A., Belward A.S., Ershov D., Isaev A.S. New SPOT4-VEGETATION derived land cover map of Northern Eurasia. International Journal of Remote Sensing. 2003.Vol. 24. P. 1977-1982.
36. Bartalev S.A., Burtsev M.A., Lupian E.A. et al. Razrabotka informatsionnoy sistemy podderzhki monitoringa sostoyaniya i dinamiki nazemnykh ekosistem Severnoy Evrazii po dannym sputnikovykh nablyudeniy [Elaboration of the IT system for the support of monitoring of condition and dynamics of Northern Eurasia terrestrial ecosystems by satellite data]. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa [Current Problems in Remote Sensing of the Earth from Space]. 2004. No 1. Pp. 131-139. (In Russ.).
37. Aksenov D., Dobrynin D., Dubinin M. et. al. Atlas of Russia's Intact Forest Landscapes / Biodiversity Conservation Center, Greenpeace Russia, International Socio-Ecological Union, World Resources Institute, Moscow, Russia [Jelektronnyj resurs]. 2002. URL: http://pdf.wri.org/gfw_atlas_full.pdf
38. Vorobev O.N., Kurbanov E.A., Polevsh-chikova Iu.A. et al. Prostranstvenno-vremennoy analiz dinamiki lesnogo pokrova v Srednem Povolzh'e po sputnikovym dannym: monografiya /pod obshch. red. prof. E. A. Kurbanova [Spatiotemporal analysis of forest cover dynamics in the Middle Volga Region by
the satellite data: monograph; general editorship by Prof. E.A. Kurbanov.]. Yoshkar-Ola: Povolzhskiy gosudarstvennyy tekhnologicheskiy universitet, 2019. 200 p. (In Russ.).
39. Kurbanov E.A., Vorobev O.N., Lezhnin S.A. et al. Tematicheskoe kartirovanie rastitel'nogo pokrova po sputnikovym snimkam: validatsiya i otsenka tochnosti. Monografiya [Vegetation cover thematic mapping by satellite images: validation and appraisal of accuracy. Monograph]. Yoshkar-Ola: PGTU. 2015. 131 p. (In Russ.).
40. Mirici M.E. Berberoglu S. Akin A. Satir O. Land use/cover change modelling in a Mediterranean rural landscape using multi-layer perceptron and Markov chain (mlp-mc). Applied Ecology and Environmental research. 2017. Vol. 16. No 1. Pp. 467-486.
41. Somot S., Sevault F., Déqué M., Crépon M. 21st century climate change scenario for the Mediterranean using a coupled atmosphere-ocean regional climate model. Global and Planetary Change. 2008. Vol. 63. No (2-3). Pp. 112 - 126.
42. Puletti N., Chianucci F., Castaldi C. Use of Sentinel-2 for forest classification in Mediterranean environments. Annals of silvicultural research. 2018. Vol. 42(1).
43. Vorobev O.N., Ali M. S. Klassifikatsiya le-snogo pokrova mukhafaza Latakiya Siriyskoy Arabskoy Respubliki po dannym sputnika Sentinel-2 [Classification of forest cover of mouhafazat Latakia in the Syrian Arab Republic by the data of Sentinel-2]. Lesnye ekosistemy v usloviyakh izmeneniya klimata: biolog-icheskaya produktivnost' i distantsionnyy monitoring:
sbor-nik nauchnykh statey [Forest ecosystems in the conditions of climate change: biological productivity and remote sensing: collection of scientific articles]. Yosh-kar-Ola: PGTU, 2018. № 4. Pp. 110-122. (In Russ.).
44. Ali M. S. Kartografirovanie rastitel'nogo pokrova Siriyskoy Arabskoy Respubliki po dannym sputnika MODIS [The Syrian Arab Republic vegetation cover mapping by the data of MODIS]. Lesnye ekosistemy v usloviyakh izmeneniya klimata: biolog-icheskaya produktivnost' i distantsionnyy monitoring: sbornik nauchnykh statey [Forest ecosystems in the conditions of climate change: biological productivity and remote sensing: collection of scientific articles]. Yoshkar-Ola: PGTU. 2017. No 3. Pp. 74-84. (In Russ.).
45. Lattakia agriculture directorate. Forest Fire Management Plan / 2018 / Lattakia 2018. P. 1-48.
46. Ali M. S., Vorobev O.N., Kurbanov E.A. Al-goritm «derevo resheniy» dlya klassifikatsii lesov Siriyskoy Arabskoy Respubliki po snimku SENTINEL-2 [A "decision tree" algorithm for the classification of the Syrian Arab Republic forests by the SENTINEL-2 image]. Vestnik Povolzhskogo gosudarstvennogo tekhnologicheskogo universiteta. Ser.: Les. Ekologiya. Prirodopol'zovanie. [Vestnik of Volga State University of Technology. Ser.: Forest. Ecology. Nature Management]. 2020. No 1 (45). Pp. 5-30. (In Russ.).
47. Sistema klassifikatsii zemnogo pokrova (LCCS): Ponyatiya klassifikatsii i rukovodstvo pol'zovatelya [Land cover classification system (LCCS): idea about classification and manual.]. Organ-izatsiya OON po voprosam prodovol'stviya i sel'skogo khozyaystva [FAO.]. Rome. 2005. 108 p. (In Russ.).
The article was received 01.08.2020 Accepted for publication 21.09.2020
For eitation: Ali M. S., Lezhnin S. A., Vorobev O. N., Kurbanov E. A. Vegetation Cover Monitoring of Muhafasah Latakia in Syrian Arab Republic Using Landsat Images. Vestnik of Volga State University of Technology. Ser.: Forest. Ecology. Nature Management. 2020. No 3 (47). Pp. 19-31. DOI: https://doi.org/10.25686/2306-2827.2020.3.19
Information about authors
Said M. Ali - Postgraduate student of the Chair of Forestry and Forest Management, Volga State University of Technology. Research interests - remote sensing of forests and GIS, fire control, monitoring of forest ecosystems. Author of 7 scientific publications.
Sergei A. Lezhnin - Candidate of Agricultural Sciences, Associate Professor of the Chair of Forestry and Forest Management, Volga State University of Technology. Research interests - Earth's remote sensing, biological productivity of forest ecosystems. Author of 30 scientific publications.
Oleg N. Vorobev - Candidate of Agricultural Sciences, Associate Professor of the Chair of Forestry and Forest Management, Volga State University of Technology. Research interests -remote sensing of forests and GIS, carbon sequestration with forest ecosystems, monitoring of forest ecosystems. Author of 70 scientific and learning and teaching publications.
Eldar A. Kurbanov - Doctor of Agricultural Sciences, Associate Professor of the Chair of Forestry and Forest Management, Head of Jean Monnet Centre of Excellence, Volga State University of Technology. Researchfed interests - sustainable forest management, Earth's remote sensing and GIS, biological productivity of forest ecosystems, carbon sequestration with forest ecosystems, Kyoto forests. Author of 160 scientific and learning and teaching publications.
