Том 337 № 1 (2026)
DOI https://doi.org/10.18799/24131830/2026/1/5282
Методические вопросы оценки пожароопасной обстановки лесной территории с использованием данных дистанционного зондирования Земли
Актуальность исследования в области прогнозирования лесных пожаров, т. е. определения вероятности их возникновения и динамики развития, обусловлена значительными экономическими, экологическими и социальными последствиями. Экономические потери вызваны утратой древесных ресурсов, расходами на тушение лесных пожаров и т. д. Негативные социальные последствия включают гибель людей (спасатели, пожарные) и ухудшение здоровья жителей населенных пунктов в непосредственной близости от очагов возгорания. Лесные пожары нарушают экологическое равновесие в природе, снижают биоразнообразие, а также ухудшают естественный водный и газовый баланс среды. Для принятия эффективных оперативных мер по предотвращению возникновения лесных пожаров и снижению потерь от их возникновения важно прогнозирование путем оценки степени пожароопасной обстановки лесопокрытых территорий. Целью исследования являются разработка и апробация методики оценки степени пожароопасной обстановки лесопокрытых территорий с использованием спутниковых и метеорологических данных. В качестве объектов исследования выбраны шесть участков в Республике Саха (Якутия), на которых летом 2021 г. произошли лесные пожары: четыре очага возгорания и два фоновых участка неподалеку от мест возгорания. Методы исследования: картографический, дистанционного зондирования Земли, аналитический, монографический, описательный и др. В работе использованы индексы: горимости леса Нестерова, NDWI, NDMI, NDVI, метеорологические данные (показатели температуры воздуха и земной поверхности, их динамики, количество осадков). В результате проведенных исследований предложена методика оценки сформированности пожароопасной обстановки в лесной зоне с использованием спутниковых и метеорологических данных. Она представляет интерес как для сотрудников научных организаций, занимающихся изучением лесных пожаров, так и для представителей практической сферы (Авиалесоохрана, Минприроды, МЧС, Росгидромет, Рослесхоз). В перспективе возможно совершенствование предложенной методики путем автоматизации процесса сбора и обработки метеоданных и индексов, использования возможностей искусственного интеллекта, а также построения корректных математических моделей.
Ключевые слова:
дистанционное зондирование Земли, индекс Нестерова, лесной пожар, метеорологические данные, мониторинг пожароопасной обстановки
Библиографические ссылки:
СПИСОК ЛИТЕРАТУРЫ
1. Pasko O.A., Kovyavin V.F., Lebedeva N.A. The influence of fires on forest ecosystems // Predicting, Monitoring, and Assessing Forest Fire Dangers and Risks. – 2020. DOI: 10.4018/978-1-7998-1867-0.ch015
2. The impacts of burn severity and frequency on erosion in Western Arnhem Land, Australia Sensors / D. Bretreger, G.R. Hancock, J. Lowry, I.P. Senanayake, I.Y. Yeo. – 2024. – Vol. 24. – P. 2282.
3. The Forest Industry in the 21st Century. WWF's Forests for Life Campaign United Kingdom. 2005. – 24 p. URL: https://wwfeu.awsassets.panda.org/downloads/forestind21century.pdf (дата обращения: 25.03.2025).
4. The forest as a place of recreation: somewhere to get away from it all. URL: https://www.waldwissen.net/en/learning-and-teaching/public-relations/the-forest-as-a-place-of-recreation-somewhere-to-get-away-from-it-all (дата обращения: 25.03.2025).
5. Оценка состояния припоселковых кедровников Томской области с использованием данных дистанционного зондирования Земли / О.А. Пасько, О.С. Токарев, А.Д.А. Алшаиби, Т.Ю. Черникова, П. Кабраль // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2019. – Т. 330. – № 1. 98–109. DOI: 10.18799/24131830/2019/1/54
6. Integrating of ecological and socio-economic factors to assess global vulnerability to wildfires / S. Chuvieco, M.V. Martínez, S. Roman, M.L. Hantson, I. Pettinari // Glob. Ecol. Biogeogr. – 2014. – Vol. 23. – P. 245–258.
7. Лесные пожары 2024 года: статистика, основные причины. URL: https://forestcomplex.ru/rf-protection/lesnye-pozhary-2024-goda-statistika-osnovnye-prichiny (дата обращения: 25.03.2025).
8. A remote sensing approach to mapping fire severity in south-eastern Australia using sentinel 2 and random forest / R. Gibson, T. Danaher, W. Hehir, L. Collins // Remote Sens. Environ. – 2020. – P. 240. – Article 111702.
9. Safi Y., Bouroumi A. Prediction of forest fires using artificial neural networks // Appl. Math. Sci. – 2013. – Vol. 7. – P. 271–286.
10. Rubí J.N., De Carvalho P.H., Gondim P.R. Application of machine learning models in the behavioral study of forest fires in the Brazilian Federal District region // Eng. Appl. Artif. Intell. – 2023. – Vol. 118. – 105649.
11. Кузнецов Г.В., Барановский Н.В. Прогноз возникновения лесных пожаров и их экологических последствий. – Новосибирск: Изд-во СО РАН, 2009. – 301 с.
12. Quantitatively exploring the influence of geographical conditions on ecological quality using a novel remote sensing model: a comparison between two geographical disparity regions in China / H.Q. Xu, M.J. Lin, Y.F. Wang, H.D. Guan, F. Tang // Geo-Spat. Inf. Sci. – 2024. – P. 1–18. DOI: 10.1080/10095020.2024.2380779
13. The transferability of a dNBR-derived model to predict burn severity across 10 wildland fires in western Canada / N.O. Soverel, N.C. Coops, D.D.B. Perrakis, L.D. Daniels, S.E. Gergel // Int. J. Wildland Fire. – 2011. – Vol. 20. – P. 518–531.
14. A remote sensing approach to mapping fire severity in south-eastern Australia using sentinel 2 and random forest / R. Gibson, T. Danaher, W. Hehir, L. Collins // Remote Sens. Environ. – 2020. – P. 240. – Article 111702
15. Токарева О.С., Алшаиби А.Д.А., Пасько О.А. Оценка восстановительной динамики растительного покрова лесных гарей с использованием данных со спутников LANDSAT // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2021. – Т. 332. – № 7. – С. 191–199. DOI: 10.18799/24131830/2021/07/3283
16. Normalized burn ratio plus (NBR+): a new index for Sentinel-2 imagery / D. Alcaras, F. Costantino, C. Guastaferro, M. Parente // Remote Sens. – 2020. – Vol. 14. – P. 1727
17. A unified vegetation index for quantifying the terrestrial biosphere / G. Camps-Valls, M. Campos-Taberner, Á. Moreno Martínez, S. Walther, G. Duveiller, A. Cescatti, M.D. Mahecha, J. Muñoz-Marí, F.J. García-Haro, L. Guanter, M. Jung, J.A. Gamon, M. Reichstein, S.W. Running // Sci. Adv. – 2021. – Vol. 7. – P. 230–258.
18. Overview of the radiometric and biophysical performance of the MODIS vegetation indices / A.R. Huete, K. Didan, T. Miura, E.P. Rodriguez, X. Gao, L.G. Ferreira // Remote Sens. Environ. – 2002. – Vol. 83. – P. 195–213.
19. Remote sensing techniques to assess active fire characteristics and post-fire effects / L.B. Lentile, Z.A. Holden, A.M.S. Smith, M.J. Falkowski, A.T. Hudak, P. Morgan, S.A. Lewis, P.E. Gessler, N.C. Benson // Int. J. Wildland Fire. – 2006. – Vol. 15. – P. 319–345.
20. Wildfire detection from multisensor satellite imagery using deep semantic segmentation / D. Rashkovetsky, F. Mauracher, M. Langer, M. Schmitt // IEEE J Sel. Top. Appl. Earth Obs. Remote Sens. – 2021. – Vol. 14. – P. 7001–7016.
21. Forecast zoning of forest fire occurrence: a case study in Southern China / J. Xiaodong, Li Xusheng, Zh. Donghui, L.W. Liu, Zh. Wanchang, Zh. Zhijie // Forests. – 2024. – Vol. 15 (2). – P. 265–284. URL: https://doi.org/10.3390/f15020265 (дата обращения: 25.03.2025).
22. Abid F. A survey of machine learning algorithms based forest fires prediction and detection systems // Fire Technol. – 2021. – Vol. 57. – P. 559–590.
23. Environmental susceptibility model for predicting forest fire occurrence in the Western Ghats of India / Q. Renard, R. Pélissier, B. Ramesh, N. Kodandapani // Int. J. Wildland Fire. – 2012. – Vol. 21. – P. 368–379.
24. ГОСТ Р 22.1.09-99, 1999. Государственный стандарт Российской Федерации. Безопасность в чрезвычайных ситуациях. Мониторинг и прогнозирование лесных пожаров. Общие требования. ОКС 13.020, ОКСТУ 0022, дата введения 01.01.2000. – М.: Госстандарт, 2000. – 13 с.
25. Котельников Р.В., Чугаев А.Н. Сравнительная оценка качества индексов пожарной опасности в лесах // Сибирский лесной журнал. – 2023. – № 6. – С. 32–38. DOI: 10.15372/SJFS20230604.
26. ВЕГА-PRO. Спутниковый сервис анализа вегетации // Институт космических исследований Земли Российской академии наук. URL: http://pro-vega.ru (дата обращения: 25.03.2025).
27. Жданко В.А., Гриценко М.В. Метод анализа лесопожарных сезонов: практические рекомендации. – Л.: ЛНИИЛХ, 1980. – 9 с.
28. Черепанов А.С. Вегетационные индексы // Геоматика. – 2011. – № 2. – С. 98–102. URL: https://sovzond.ru/upload/iblock/f46/2011_02_017.pdf (дата обращения: 25.03.2025).
29. Normalized Difference Moisture Index (NDMI) // Sentinel Hub. URL: https://custom-scripts.sentinel-hub.com/custom-scripts/sentinel-2/ndmi (дата обращения: 25.03.2025).
30. User Guides: Sentinel-2 // Sentinel Online. URL: https://sentinel.esa.int/web/sentinel/user-guides/sentinel-2-msi (дата обращения: 25.03.2025).
31. Normalized Difference Water Index // Sentinel Hub. URL: https://custom-scripts.sentinel-hub.com/sentinel-2/ndwi (дата обращения: 25.03.2025).
32. Погода и климат. URL: http://www.pogodaiklimat.ru/ (дата обращения: 25.03.2025).
REFERENCES
1. Pasko O.A., Kovyavin V.F., Lebedeva N.A. The influence of fires on forest ecosystems. Predicting, Monitoring, and Assessing Forest Fire Dangers and Risks, 2020. DOI: 10.4018/978-1-7998-1867-0.ch015
2. Bretreger D., Hancock G.R., Lowry J., Senanayake I.P., Yeo I.Y. The impacts of burn severity and frequency on erosion in Western Arnhem Land. Australia Sensors, 2024, vol. 24, pp. 2282.
3. The Forest Industry in the 21st Century. WWF's Forests for Life Campaign United Kingdom. 2005. 24 p. Available at: https://wwfeu.awsassets.panda.org/downloads/forestind21century.pdf (accessed: 25 March 2025).
4. The forest as a place of recreation: somewhere to get away from it all. Available at: https://www.waldwissen.net/en/learning-and-teaching/public-relations/the-forest-as-a-place-of-recreation-somewhere-to-get-away-from-it-all (accessed: 25 March 2025).
5. Pasko O.A., Tokareva O.S., Alshaibi A.D.A., Chernikova T.Yu., Cabral P. Assessment of the state of village cedar forests in the Tomsk region using Earth remote sensing data. Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering, 2019, vol. 330, no. 1, pp. 98–109. (In Russ.) DOI: 10.18799/24131830/2019/1/54
6. Chuvieco E., Martínez S., Roman M.V., Hantson S., Pettinari M.L. Integrating of ecological and socio-economic factors to assess global vulnerability to wildfires. Glob. Ecol. Biogeogr., 2014, vol. 23, pp. 245–258.
7. Forest fires in 2024: statistics, main causes. (In Russ.) Available at: https://forestcomplex.ru/rf-protection/lesnye-pozhary-2024-goda-statistika-osnovnye-prichiny (accessed: 25 March 2025).
8. Gibson R., Danaher T., Hehir W., Collins L. A remote sensing approach to mapping fire severity in south-eastern Australia using sentinel 2 and random forest. Remote Sens. Environ., 2020, pp. 240, Article 111702.
9. Safi Y., Bouroumi A. Prediction of forest fires using artificial neural networks. Appl. Math. Sci., 2013, vol. 7, pp. 271–286.
10. Rubí J.N., De Carvalho P.H., P.R. Gondim Application of machine learning models in the behavioral study of forest fires in the Brazilian Federal District region. Eng. Appl. Artif. Intell., 2023, vol. 118, pp. 105649.
11. Kuznetsov G.V., Baranovsky N.V. Forecast of forest fire occurrence and their ecological consequences. Novosibirsk, Siberian Branch of the Russian Academy of Sciences Publ. house, 2009. 301 p. (In Russ.)
12. Xu H.Q., Lin M.J., Wang Y.F., Guan H.D., Tang F. Quantitatively exploring the influence of geographical conditions on ecological quality using a novel remote sensing model: a comparison between two geographical disparity regions in China. Geo-Spat. Inf. Sci., 2024, p. 1–18. DOI: 10.1080/10095020.2024.2380779
13. Soverel N.O., Coops N.C., Perrakis D.D.B., Daniels L.D., Gergel S.E. The transferability of a dNBR-derived model to predict burn severity across 10 wildland fires in western Canada. Int. J. Wildland Fire, 2011, vol. 20, pp. 518–531.
14. Gibson R., Danaher T., Hehir W., Collins L. A remote sensing approach to mapping fire severity in south-eastern Australia using sentinel 2 and random forest. Remote Sens. Environ., 2020, pp. 240, Article 111702.
15. Tokareva O.S., Alshaibi A.D.A., Pasko O.A. Assessment of the restoration dynamics of the vegetation cover of forest burnt areas using data from LANDSAT satellites. Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering, 2021, vol. 332, no. 7, pp. 191–199. (In Russ.) DOI: 10.18799/24131830/2021/07/3283
16. Alcaras D., Costantino F., Guastaferro C., Parente M. Normalized burn ratio plus (NBR+): a new index for Sentinel-2 imagery. Remote Sens., 2020, vol. 14, pp. 1727.
17. Camps-Valls G., Campos-Taberner M., Moreno Martínez Á., Walther S., Duveiller G., Cescatti A., Mahecha M.D., Muñoz-Marí J., García-Haro F.J., Guanter L., Jung M., Gamon J.A., Reichstein M., Running S.W. A unified vegetation index for quantifying the terrestrial biosphere. Sci. Adv., 2021, vol. 7, pp. 230–258.
18. Huete A.R., Didan K., Miura T., Rodriguez E.P., Gao X., Ferreira L.G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sens. Environ., 2002, vol. 83, pp. 195–213.
19. Lentile L.B., Holden Z.A., Smith A.M.S, Falkowski M.J., Hudak A.T., Morgan P., Lewis S.A., Gessler P.E., Benson N.C. Remote sensing techniques to assess active fire characteristics and post-fire effects. Int. J. Wildland Fire, 2006, vol. 15, pp. 319–345.
20. Rashkovetsky D., Mauracher F., Langer M., Schmitt M. Wildfire detection from multisensor satellite imagery using deep semantic segmentation. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., 2021, vol. 14, pp. 7001–7016.
21. Xiaodong J., Xusheng Li, Donghui Zh., Liu L.W., Wanchang Zh., Zhijie Zh. Forecast zoning of forest fire occurrence: a case study in Southern China. Forests, 2024, vol. 15 (2), pp. 265–284. Available at: https://doi.org/10.3390/f15020265 (accessed: 25 March 2025).
22. Abid F. A survey of machine learning algorithms based forest fires prediction and detection systems. Fire Technol., 2021, vol. 57, pp. 559–590.
23. Renard Q., Pélissier R., Ramesh B., Kodandapani N. Environmental susceptibility model for predicting forest fire occurrence in the Western Ghats of India. Int. J. Wildland Fire, 2012, vol. 21, pp. 368–379.
24. SS R 22.1.09-99, 1999. The State standard of the Russian Federation. Safety in emergency situations. Monitoring and forecasting of forest fires. General requirements. ACS 13.020, OKSTU 0022, date of introduction 01.01.2000. Moscow, Gosstandart Publ., 2000. 13 p. (In Russ.)
25. Kotelnikov R.V., Chugaev A.N. Comparative estimation of the quality of fire danger indexes in forests. Sibirskiy Lesnoy Zurnal, 2023, no. 6, pp. 32–38. (In Russ.) DOI: 10.15372/SJFS20230604
26. VEGA-РRO. Satellite based service for vegetation monitoring. Space Research Institute of the Russian Academy of Sciences. (In Russ.) URL: http://pro-vega.ru/eng (accessed: 25 March 2025).
27. Zhdanko V.A., Gritsenko M.V. Method of analyzing forest fire seasons: practical recommendations. Leningrad, LNILH Publ., 1980. 9 p. (In Russ.) Available at: https://firescience.ru/project/ kpo/ thebestkpo.html (accessed: 25 March 2025).
28. Cherepanov A.S. Vegetation indices. Geomatics, 2011, no. 2, pp. 98–102. (In Russ.) Available at: https://sovzond.ru/upload/iblock/f46/2011_02_017.pdf (accessed: 25 March 2025).
29. Normalized Difference Moisture Index (NDMI). Sentinel Hub. Available at: https://custom-scripts.sentinel-hub.com/custom-scripts/sentinel-2/ndmi (accessed: 25 March 2025).
30. User Guides: Sentinel-2. Sentinel Online. Available at: https://sentinel.esa.int/web/sentinel/user-guides/sentinel-2-msi (accessed: 25 March 2025).
31. Normalized Difference Water Index. Sentinel Hub. Available at: https://custom-scripts.sentinel-hub.com/sentinel-2/ndwi (accessed: 25 March 2025).
32. Weather and climate. (In Russ.) Available at: http://www.pogodaiklimat.ru/ (accessed: 25 March 2025).
