CC BY
7
Научная статья УДК 528.856:630*5
DOI: 10.37482/0536-1036-2022-6-117-125
^стояние лесных массивов на насыщенных оксидами железа
почвах Азербайджана
Б.Г. Алиев, иностр. чл. РАН, акад., д-р техн. наук, проф.; ResearcherID: CAJ-5455-2022, ORCID: https://orcid.org/0000-0001-6129-3415
В.М. Мамедалиева*, канд. геогр. наук, доц.; ResearcherID: AAC-5454-2021, ORCID: https://orcid.org/0000-0002-8775-8564
Институт экологии Национального аэрокосмического агентства, ул. С.С. Ахундова, д. 1, г. Баку, Азербайджанская Республика, А21115; bahram_aliyev@hotmail.com, valide.mamedaliyeva@mail. ги*
Поступила в редакцию 16.01.21 / Одобрена после рецензирования 18.04.21 /Принята к печати 22.04.21
Аннотация. В настоящее время в Азербайджане приоритет отдается развитию ненефтяного сектора. Активно развивается горнодобывающая промышленность, призванная стать одним из его локомотивов. Это наносит ущерб экологии региона. Одной из причин деградации лесов на западе страны стала интенсивная деятельность по добыче полезных ископаемых. Исследовано взаимовлияние состояния лесных массивов и наличия в почве минералов, содержащих оксиды железа, в регионе Малого Кавказа, который охватывает два промышленно развитых района Азербайджана - Дашкесанский и Кедабекский. По материалам спутниковых съемок за значительный период времени вычислены спектральные индексы растительности. Показан процесс обработки космических снимков, включающий их предварительную обработку, спектральный, геопространственный и корреляционный анализ для нахождения количественных коэффициентов связи доли оксидов железа в почве и состояния леса. Спектральный анализ позволяет определить состояние леса путем вычисления вегетационного индекса SIPI, а также наличие в почвах региона минералов, содержащих оксиды железа, - через мультиспектральный индекс Ferric oxides. Геопространственный анализ предназначен для оценки состояния леса в местах залежей указанных минералов. Корреляционный анализ - для сравнения процессов деградации в исследованных районах. Приводятся электронные карты, составленные путем наложения карт состояния лесных массивов и карт содержания оксидов железа. Отмечается динамика, подтверждающая увеличение доли разрушенных лесов в районах исследований.
Ключевые слова: лесорастительный покров, горные леса, космические снимки, спектральные индексы, состояние леса, минералы, оксиды железа
Для цитирования: Алиев Б.Г., Мамедалиева В.М. Состояние лесных массивов на насыщенных оксидами железа почвах Азербайджана // Изв. вузов. Лесн. журн. 2022. № 6. С. 117-125. https://doi.org/10.37482/0536-1036-2022-6-117-125
© Алиев Б.Г., Мамедалиева В.М., 2022
Цс^Т^ Статья опубликована в открытом доступе и распространяется на условиях лицензии СС ВУ 4.0
Original article
The State of Forests Growing on Iron Oxide-Saturated Soils
of Azerbaijan
Bahram G. Aliyev, Foreign Member of RAS, Academician, Honored Scientist-Specialist in
Land Reclamation, Doctor of Engineering, Prof.; ResearcherlD: CAJ-5455-2022,
ORCID: https://orcid.org/0000-0001-6129-3415
Valida M. Mamedaliyeva*, Candidate of Geography; Assoc. Prof.;
ResearcherlD: AAC-5454-2021, ORCID: https://orcid.org/0000-0002-8775-8564
Azerbaijan National Aerospace Agency, Institute ofEcology, S.S. Akhundov str., 1, Baku,AZ1115,
Republic of Azerbaijan; bahram_aliyev@hotmail.com, valide.mamedaliyeva@mail.ru*
Received on January 16, 2021 /Approved after reviewing on April 18, 2021 /Accepted on April 22, 2021
Abstract. Today Azerbaijan focuses on the non-oil sector development. The mining industry is actively growing, to become one of its driving forces. This is detrimental to the ecology of the region. The intensive mining activity has become one of the reasons for the mountain forests degradation in the West of the country. The article is devoted to the study of the mutual influence of the forests state and the presence of minerals containing iron oxides in the soil in the Lesser Caucasus region, which involves two industrially developed districts of Azerbaijan: Dashkesan and Gadabay. The study is based on the calculation of spectral indices of satellite imagery over a significant period of time. The paper shows the processing of satellite images, including their pretreatment, spectral, geospatial and correlation analysis aimed at finding quantitative coefficients of the relationship between the iron oxides fraction in the soil and the forest state. Spectral analysis allows determining the forest state by calculating the SIPI vegetation index, as well as the iron oxide minerals presence in the soils of the region by calculating the Ferric oxides multispectral index. Geospatial analysis is designed to assess the forest state in the areas of these mineral deposits. Correlation analysis is used to compare the degradation processes in the studied districts. There are electronic maps compiled by overlapping the forest state and the iron oxide content maps. There is a dynamics confirming an increase in the share of degraded forests in the areas of research.
Keywords: forest-vegetation cover, mountain forests, satellite images, spectral indices, forest state, minerals, iron oxide
For citation: Aliyev B.G., Mamedaliyeva V.M. The State of Forests Growing on Iron Oxide-Saturated Soils of Azerbaijan. Lesnoy Zhurnal = Russian Forestry Journal, 2022, no. 6, pp. 117-125. (In Russ.). https://doi.org/10.37482/0536-1036-2022-6-117-125
Введение
В настоящее время уменьшение площади лесных массивов является основной причиной утраты глобального биоразнообразия, выбросов углерода и изменения климата [11]. Особенно чуткими к негативным воздействиям являются горные леса. Их крайне сложно восстановить на склонах со значительными градиентами. При этом горные леса спасают местное население от стихийных бедствий, сохраняют природные ресурсы и гарантируют экологические услуги, которые дают миллиардам людей по всему миру опору для улучшения благосостояния и условий жизнедеятельности [4].
This is an open access article distributed under the CC BY 4.0 license
В Азербайджане вследствие несоблюдения правил рационального использования лесных массивов, из-за активно развивающейся горнодобывающей промышленности резко снижается водоохранно-почвозащитная способность растительности, что ведет к развитию эрозионных процессов, создает условия для возникновения селевых потоков [1].
Состояние лесов во многом зависит от свойств почвы, в частности от ее плодородия. На него оказывают влияние минералы в составе почвы. Одним из необходимых растительности минеральных элементов является железо. Железо входит в состав многих почвенных минеральных соединений. Нами рассмотрены минералы, содержащие оксиды железа. Это окислы и гидроокислы железа, а именно магнетит и гематит [7]. Присутствие оксидов железа в почве положительно сказывается на состоянии леса. Поэтому основной целью исследования стало сопоставить состояние лесного покрова и наличие в почве этого массива оксидов железа.
Часто проведение исследований на высокогорье затрудняется недоступностью многих участков. В этом случае наиболее эффективным становится применение методов дистанционного зондирования Земли из космоса с помощью спутников. Основной целью дистанционных наблюдений при лесопатоло-гическом мониторинге является своевременное обнаружение опасных отклонений в санитарном состоянии лесов, а также предварительная оценка размеров повреждений [10].
Леса сталкиваются с многочисленными угрозами и стрессовыми факторами, среди которых можно выделить обезлесение, засуху, изменение климата, присутствие инвазивных видов, воздействие вредителей и патогенов, загрязнение воздуха, пожары, наводнения, ураганы, изменения в землепользовании или неустойчивое управление [15-18]. Определение болезней растительности путем наблюдения за эффектами на листьях растений делает процесс проще и дешевле. Использование методов машинного зрения позволяет проводить исследование состояния леса на основе изображений. Идентификация болезней растений визуальным путем становится все более актуальной задачей, но в то же время возможной только на ограниченных территориях [19].
Оценка лесопатологического состояния насаждений - отдельная специфическая задача в рамках лесоустройства. Наличие конкретных вредителей и болезней леса невозможно фиксировать непосредственно на аэро- и космических снимках. Однако последствия негативных влияний (повреждения лесного полога) определяются достаточно хорошо. В таких случаях основой дешифрирования являются характерные для ослабленных, поврежденных насаждений признаки: размер и форма кроны, цвет хвои или листьев и др. [2].
Объекты и методы исследования
Дашкесанский и Кедабекский районы находятся на западе Азербайджана, на средне- и высокогорье Малого Кавказа. Наибольшие высоты - 33003500 м над ур. м. Районы богаты полезными ископаемыми: здесь есть месторождения черного и белого мрамора, меди, золота, железной руды, кобальта, алунита, барита и др. В Дашкесанском районе находится одно из богатейших месторождений железных руд Южного Кавказа - Дашкесанское магнетитовое месторождение
[3, 5]. По данным сайта https://www.mindat.org/, на этом месторождении присутствует 26 различных минералов, из них 15 содержат железо [12]. Интенсивная промышленная деятельность нанесла значительный урон лесным массивам исследованных районов.
Характерным признаком растительности и показателем ее состояния является спектральная отражательная способность, различающаяся в зависимости от длин волн. Знания о связи структуры и состояния растительности с ее отражательной способностью позволяют использовать космические мультиспектральные снимки для идентификации типов растительности и их состояния. В настоящее время существует около 160 вариантов вегетационных индексов. Они подбираются экспериментально исходя из известных особенностей кривых спектральной отражательной способности растительности и почв [S, 9].
В качестве исходных данных были использованы мультиспектральные снимки спутников Landsat 5 за 19S7 и 199S гг., а также Landsat S за 2015 и 2019 гг. Снимки Landsat S/OLI позволяют демонстрировать высокую производительность при обнаружении оксидов железа, в том числе на территориях, покрытых лесной растительностью [13]. Предварительно с помощью программы ENVI проведена радиометрическая и атмосферная коррекция снимков [6]. Эта коррекция необходима для сравнения данных с сенсоров спутников, настроенных по-разному: полученные с них изображения без дополнительной радиометрической коррекции не подходят для тонкого спектрального анализа. Калибровочные коэффициенты и другие метаданные представляются в одном архивном файле с изображениями сцены в различных спектральных диапазонах.
Для всех откорректированных снимков было рассчитано значение структурно-нечувствительного пигментного индекса SIPI [20]. В отличие от нормализованного дифференциального вегетационного индекса NDVI, индекс SIPI используется для мониторинга состояния растений на территории с большой вариабельностью вегетационной структуры. SIPI определяет соотношение каротиноидов и хлорофилла: высокие значения могут свидетельствовать о болезни культур, часто приводящей к снижению количества хлорофильного пигмента в растительном покрове.
Таким образом, данный индекс характеризует состояние лесной растительности, уровень ее подверженности стрессу. Индекс был рассчитан по следующей формуле:
SIPI = (NIR - BLUE) / (NIR - RED), (1)
где NIR - яркость изображения в ближнем инфракрасном канале; BLUE -яркость изображения в синем видимом канале; RED - яркость изображения в красном видимом канале.
Определение этого индекса позволяет выделить 3 класса лесных участков по состоянию: здоровые, поврежденные и разрушенные.
Содержание в почве оксидов железа можно найти с помощью спектрального индекса Ferric oxides, использующего соотношение коротковолнового (SWIR1) и ближнего инфракрасных каналов [14]:
Ferric oxides = SWIR1/ NIR. (2)
Сравнив карты, построенные на основе расчетов по формулам (1) и (2), можно определить площади содержащих оксиды железа почв, на которых находятся участки леса всех 3 классов.
Результаты исследования и их обсуждение
На 1-м этапе исследования по формуле (1) рассчитаны значения индекса SIPI для спутниковых снимков за все 4 года и лесной массив разделен на 3 класса. На рис. 1 показаны результаты обработки данных, полученных на 1-м этапе. В табл. 1 приведены площади лесного покрова 3 классов в разные годы.
Рис. 1. Разделение лесных массивов Дашкесанского и Кедабекского районов на классы по индексу SIPI: а - 1987; б - 1998; в - 2015; г - 2019 г.
Fig. 1. Division of the Dashkasan and Gadabay district forests into classes by the SIPI index:
а - 1987; б - 1998; в - 2015; г - 2019
На 2-м этапе к использованным на 1-м этапе откорректированным изображениям было применено выражение (2) и построены карты почв с минералами, имеющими в составе оксиды железа (Ferric oxides) (рис. 2). Полученные численные данные показаны в табл. 2.
На 3-м этапе исследования проведено сравнение результатов 1-го и 2-го этапов, а именно карт залежей оксидов железа, а также карт разных классов лесорастительного покрова. Сравнение выполнено путем наложения карт для каждого года друг на друга. Результаты приведены на рис. 3.
Таблица 1
Площади, га, различных классов лесорастительного покрова в разные годы Areas, ha, of forest-vegetation cover of different classes by years
Районы Класс лесорастительного покрова 1987 1998 2015 2019 Динамика за 1987-2019 гг.
Дашкесанский и Кедабекский вместе Здоровый 162 200 172 679 162 589 167 976 5776t
Поврежденный 33 653 25 514 29 503 22 865 10 7884
Разрушенный 10 238 8238 14 340 15 577 5339t
Дашкесанский Здоровый 77 792 80 869 73 603 78 731 939t
Поврежденный 12 888 9580 14 160 8624 42644
Разрушенный 2715 3159 5860 6259 3544t
Кедабекский Здоровый 84 192 91 578 88 765 89 010 4818t
Поврежденный 20 695 15 873 15 293 14 199 64964
Разрушенный 7498 5061 8440 9285 1787t
Примечание: t - рост; 4 - снижение.
После наложения карт сформированы отдельные полигоны залежей оксидов железа на участках лесной растительности всех классов состояния и рассчитаны площади этих полигонов. Результаты сведены в табл. 3.
Рис. 2. Карта содержащих оксиды железа (^Н) почв Дашкесанского и Кедабекского районов: а - 1987; б - 1998; в - 2015; г - 2019 г.
Fig. 2. Map of soils containing iron oxides (^П) of the Dashkesan and Kedabek districts by
years: a - 1987; б - 1998; в - 2015; г - 2019
Таблица 2
Площади почв, га, содержащих оксиды железа, в разные годы Areas, ha, of soils containing iron oxides by years
Районы 1987 1998 2015 2019 Динамика за 1987-2019 гг.
Дашкесанский и Кедабекский вместе 5055 8419 7250 7276 22211
Дашкесанский 926 3046 3133 2935 2009t
Кедабекский 4129 5373 4117 4341 212t
здоровый
поврежденный
- разрушенный лесорастительный покров
Рис. 3. Результаты наложения карт содержащих соединения оксидов железа залежей Дашкесанского и Кедабекского районов на карты индекса SIPI: а - 1987; б - 1998;
в - 2015; г - 2019 г.
в
г
Fig. 3. Overlapping of the maps of deposits of the Dashkasan and Gadabay districts, containing iron oxide compounds, and the SIPI index maps by years: a - 1987; 6-1998; e - 2015; e - 2019
Найдена корреляция значений для каждого класса растительности Дашкесанского и Кедабекского районов. Корреляция рассчитывалась в программе Excel с помощью функции «Корреляция» в меню «Данные ^ Анализ данных». Были получены следующие значения: для здорового покрова - 0,02; для поврежденного покрова - 0,13; для разрушенного покрова - 0,99.
Таблица 3
Площади, га, залежей соединений оксидов железа на участках лесной
растительности различных классов Areas, ha, of deposits of iron oxide compounds on the forest vegetation sites
of different classes
Районы Класс лесорастительного покрова 1987 1998 2015 2019 Динамика за 1987-2019 гг.
Дашкесанский и Кедабекский вместе Здоровый покров 37 85 14 42 5t
Поврежденный покров 2397 2807 1230 1407 990^
Разрушенный покров 2621 5527 6006 5827 3206t
Дашкесанский Здоровый покров 1 7 2 17 16t
Поврежденный покров 267 762 505 343 76t
Разрушенный покров 658 2277 2626 2575 1917t
Кедабекский Здоровый покров 36 78 12 25 11^
Поврежденный покров 2130 2045 725 1064 1066^
Разрушенный покров 1963 3250 3380 3252 1289t
Заключение
Таким образом, оксиды железа в основном встречаются на участках поврежденного или разрушенного леса и частично на участках здоровой лесной растительности, то есть именно на тех участках, где велась интенсивная хозяйственная деятельность. С этим же связаны низкие значения корреляции между двумя районами для класса здоровой лесной растительности и высокие для класса разрушенной. В целом наблюдается незначительное увеличение количества участков со здоровым лесорастительным покровом и наличием минералов, содержащих оксиды железа, что говорит об их положительном влиянии на состояние лесной растительности на неповрежденных участках.
СПИСОК ЛИТЕРАТУРЫ / REFERENCES
1. Алиев Б.Г., Алиев И.Н. Проблемы эрозии в Азербайджане и пути ее решения. Баку: Нурлан, 2000. 122 с.
Aliyev B.G., Aliyev I.N. Erosion Problems in Azerbaijan and Ways to Solve Them. Baku, Nurlan Publ., 2000. 122 p. (In Russ.).
2. Бузмаков С.А., Санников П.Ю., Андреев Д.Н. Подготовка и применение материалов аэрофотосъемки для изучения лесов // Изв. Самар. НЦ РАН. 2016. Т. 18, № 2. C. 313-316.
Buzmakov S.A., Sannikov P.Yu., Andreev D.N. Preparation and Applying of Aerial Photography for the Forest Studying. Izvestia of Samara Scientific Center of the Russian Academy of Sciences, 2016, vol. 18, no. 2, pp. 313-316. (In Russ.).
3. Все о геологии. Месторождение Дашкесан. Режим доступа: https://wiki.web.ru/ wiki/Месторождение_Дашкесан (дата обращения: 31.10.22).
All about Geoplogy. Dashkesan Deposit. (In Russ.).
4. Горные леса - основа нашего будущего/Продовольственная и сельскохозяйственная организация Объединенных Наций, ФАО. Отдел по оценке, рациональному использованию и сохранению лесов. Режим доступа: http://caresd.net/img/docs/8517.pdf (дата обращения: 31.10.22).
Mountain Forests are the Basis of Our Future. Division for Assessment, Rational Use and Conservation of Forests, Food and Agriculture Organization of the United Nations, FAO. (In Russ.).
5. Дашкесан. Режим доступа: https://portal.azertag.az/ru/node/2598 (дата обращения: 31.10.22).
Dashkesan. (In Russ.).
6. Колесникова О.Н., Черепанов А.С. Возможности ПК ENVI для обработки мультиспектральных и гиперспектральных данных // Геоматика. 2009. № 3. С. 24-27.
Kolesnikova O.N., Cherepanov A.S. New ENVI Software Opportunities for Processing Multispectral and Hiperspectral Data. Geomatica, 2009, no. 3, pp. 24-27. (In Russ.).
7. Химическая классификация минералов. Режим доступа: https ://bsu.by/faculties/ ekspozitsii-muzeya/khimicheskaya-klassifikatsiya-mineralov.php (дата обращения: 29.11.22).
Chemical Classification of Minerals. Belarusian State University. (In Russ.).
8. Черепанов А.С. Вегетационные индексы // Геоматика. 2011. № 2. C. 98-102.
Cherepanov A.S. Vegetation Indices. Geomatica, 2011, no. 2, pp. 98-102. (In Russ.).
9. Черепанов А.С., Дружинина Е.Г. Спектральные свойства растительности и вегетационные индексы // Геоматика. 2009. № 3. С. 28-32.
Cherepanov A.S., Druzhinina E.G. Spectral Properties of Vegetation and Vegetation Indices. Geomatica, 2009, no. 3, pp. 28-32. (In Russ.).
10. Чухланцев А.А., Саворский В.П. Задачи дистанционного зондирования лесов при изучении глобальных климатических изменений // Современные проблемы дистанционного зондирования Земли из космоса. 2011. Т. 8, № 2. С. 246-256.
Chukhlantsev A.A., Savorskij VP. Remote Sensing of Forests in Context of Global Change. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa = Current problems in remote sensing of the Earth from space, 2011, vol. 8, no. 2, pp. 246-256. (In Russ.).
11. Altamirano A., Aplin P., Miranda A., Cayuela L., Algar A.C., Field R. High Rates of Forest Loss and Turnover Obscured by Classical Landscape Measures. Applied Geography, 2013, vol. 40, pp. 199-211. https://doi.org/10.1016/j.apgeog.2013.03.003
12. Dashkesan Co-Fe Deposit, Dashkesan, Dashkesan District, Azerbaijan. Mindat. Available at: https://www.mindat.org/loc-2780.html (accessed 22.04.21).
13. Ducart D., Silva A., Toledo C. et al. Mapping Iron Oxides with Landsat-8/OLI and EO-1/Hyperion Imagery from the Serra Norte Iron Deposits in the Carajas Mineral Province, Brazil. Brazilian Journal of Geology, 2016, vol. 46, no. 3, pp. 331-349. https://doi. org/10.1590/2317-4889201620160023
14. Geology Indices Background. L3Harris. Available at: https://www.l3harrisgeospa-tial.com/docs/backgroundgeologyindices.html (accessed 22.04.21).
15. Lausch A., Erasmi S., King D.J., Magdon P., Heurich M. Understanding Forest Health with Remote Sensing - Part I - A Review of Spectral Traits, Processes and Remote-Sensing Characteristics. Remote Sensing, 2016, vol. 8, iss. 12, art. 1029. https://doi.org/10.3390/rs8121029
16. Lewis S.L., Edwards D.P., Galbraith D. Increasing Human Dominance of Tropical Forests. Science, 2015, vol. 349, iss. 6250, pp. 827-832. https://doi.org/10.1126/science.aaa9932
17. Mate A.R., Deshmukh R.R. Analysis of Effects of Air Pollution on Chlorophyll, Water, Carotenoid and Anthocyanin Content of Tree Leaves Using Spectral Indices. International Journal of Engineering Science and Computing, 2016, vol. 6, no. 8, pp. 5465-5474.
18. Nemani R.R., Keeling C.D., Hashimoto H., Jolly W.M., Piper S.C., Tucker C.J., Myneni R.B., Running S.W. Climate-Driven Increases in Global Terrestrial Net Primary Production from 1982 to 1999. Science, 2003, vol. 300, iss. 5625, pp. 1560-1563. https://doi. org/10.1126/science.1082750
19. Parashar S., Bhatia K., Bhadola S. Image Processing: A Methodology to Detect Plant Diseases. International Journal of Computer Science and Mobile Computing, 2019, vol. 8, iss. 4, pp. 209-216.
20. Sergieieva K. Spectral Indices to Drive Digital Agri Solutions. EOS Data Analytics. Available at: https://eos.com/blog/vegetation-indices/ (accessed 10.01.22).
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов Conflict of interest: The authors declare that there is no conflict of interest
Вклад авторов: Все авторы в равной доле участвовали в написании статьи Authors' Contribution: All authors contributed equally to the writing of the article
