Кратко — роль и методика.
1) Роль технологий
- Фотограмметрия (UAV, Structure-from-Motion) даёт высокоразрешённые DSM/ортопланы и плотные точечные облака для картировки косой и вертикальной структуры (кущ/ствол/подрост).
- Дистанционное зондирование (спутники оптические и SAR, авиалидар) обеспечивает регулярный временной охват и спектральные индексы для детекции утрат растительности и восстановления.
2) Источники данных (рекомендации)
- Оптические: Sentinel‑2 (разрешение $10$ м, частота), Landsat ($30$ м), Planet/Maxar для детального картирования (коммерч.).
- SAR: Sentinel‑1 (прохождение независимо от облаков).
- UAV-фотограмметрия: DSM/ортопланы разрешением до $\sim 5$ см для валидации.
- (при наличии) Airborne LiDAR для точных CHM и оценки биомассы.
3) Предобработка
- Атмосферная коррекция (Sen2Cor/LEDAPS), геопривязка и ко\-регистрация всех слоёв.
- Облако/тень: маскирование (Sen2Cloudless / Fmask).
- Генерация сезонных композитов (см. далее).
4) Устойчивый подход к сезонности и облачности
- Работать не с единичными снимками, а с годичными/сезонными композитами: например, для каждого года строить максимум NDVI в период вегетации (пик) или медианный композит за выбранный сезон. Это устраняет разнородность фенофаз.
- Формула для годового максимума на пик вегетации: выбрать для года $y$ пик‑NDVI как ${\max }_{t\in T_y}NDV{I}_t$, где $T_y$ — временной интервал пика.
- Для заполнения пропусков из‑за облаков: использовать SAR (Sentinel‑1) как подтверждение изменений, либо временную интерполяцию/восстановление (gap‑fill, harmonic regression, BFAST/CCDC).
- Рекомендуемый рабочий интервал: композит раз в месяц для автоматического мониторинга и годовые пик/медианы для сравнения между годами.
5) Методы детекции вырубок
- Спектральные индексы: NDVI, NBR (для сильных нарушений), EVI. Главная метрика — изменение годового пикового NDVI: $dNDVI=NDV{I}_{pre}-NDV{I}_{post}$. Сработает как событие, если $dNDVI\ge \tau$ (рекомендуемое пороговое значение $\tau =0.2$, адаптировать по экосистеме).
- Альтернативы: Change Vector Analysis (CVA), Continuous Change Detection (CCDC), LandTrendr, BFAST — для выделения времени и амплитуды событий в временных рядах.
- Площадь вырубки: если растровая маска вырубки $m_i\in \{0,1\}$, то площадь $A$ вычисляется как $A={\sum }_i{m}_i\times a$, где $a$ — площадь пикселя (например $a=s^2$, $s$ — ширина пикселя в метрах).
- Для точных границ применять сегментацию (object‑based) на высокоразрешённых снимках / UAV.
6) Оценка восстановления растительности
- Горизонтальная восстановительная метрика: годовой максимум NDVI или процент покрытия кроны (из классификации). Восстановление достигается, когда метрика возвращается к $\ge \eta$ от преднарушения (рекомендуем $\eta =0.8$ или иное по требованиям): условие $NDV{I}_t\ge \eta \cdot NDV{I}_{pre}$.
- Вертикальная метрика: с UAV/ LiDAR/фотограмметрии строить CHM: $CHM=DSM-DTM$. Рост высоты: $\Delta H/\Delta t$. Биомасса можно оценивать моделью $B=\alpha \cdot H^{\beta }$ или регрессией по высоте/плотности древесного покрова.
- Восстановление по биомассе: $\Delta B=B_t-B_{pre}$, скорость восстановления $\frac{\Delta B}{\Delta t}$.
7) Практическая методика на $5$-летний период (пошагово)
- Год $0$ (базовый): собрать годовой пиковые композиты (оптические) и UAV‑съёмку в пик вегетации; построить базовые NDVI, CHM, карты покрова, оценить биомассу.
- Автоматический мониторинг: ежемесячно формировать композит и выполнять автоматическую проверку изменений (dNDVI, CVA, CCDC). Использовать SAR для подтверждения изменений при облачности.
- Детекция события: при срабатывании порога ($dNDVI\ge \tau$ или резкое снижение CHM) генерировать алерт и планировать UAV‑облет для валидации.
- Ежегодная оценка: для каждого года вычислять годовой максимум NDVI и CHM; строить временной ряд и классифицировать участки как «вырубка», «восстановление» или «не изменилось» по критериям порогов (см. выше).
- Финальная оценка через $5$ лет: считать процент восстановившихся площадей $P_{rec}=100\%\times \frac{A_{rec}}{A_{dist}}$ и средние скорости восстановления по высоте и биомассе $⟨\Delta H/\Delta t⟩,⟨\Delta B/\Delta t⟩$.
8) Валидация и точность
- Полевая проверка и UAV‑съёмки для выборочных площадей.
- Оценка ошибок через матрицу ошибок: точность по классам, степень ошибок включения/исключения, RMSE для высоты и биомассы.
- Учет неопределённости: задавать доверительные интервалы для порогов и моделирования биомассы.
9) Практические советы и инструменты
- Инструменты: Google Earth Engine (массовая обработка), SNAP (SAR), PDAL/LAStools (LiDAR), OpenDroneMap/Pix4D/Agisoft (UAV), QGIS/Python для анализов.
- Комбинировать частые крупномасштабные спутники (Sentinel‑2) для обнаружения и SAR для облаков, и высокое разрешение/UAV для границ и биомассы.
- Настроить пороговые значения и временные окна под локальную фенологию и тип леса (лиственные/хвойные имеют разные сезонные максимумы).
Ключевые формулы (в виде справки)
- Площадь: $A={\sum }_i{m}_i\times a$, $a=s^2$.
- Изменение индекса: $dNDVI=NDV{I}_{pre}-NDV{I}_{post}$. Срабатывание если $dNDVI\ge \tau$.
- Восстановление: $NDV{I}_t\ge \eta \cdot NDV{I}_{pre}$.
- CHM: $CHM=DSM-DTM$.
- Биомасса модель: $B=\alpha \cdot H^{\beta }$ (параметры по локальным калибровкам).
- Процент восстановленных: $P_{rec}=100\%\times \frac{A_{rec}}{A_{dist}}$.
Если нужно — могу предложить конкретный рабочий пайплайн с параметрами ($\tau ,\eta$), временными окнами и примерами команд для GEE или шагами для UAV‑съёмки.