Исследовательский коллектив с кафедры биологии Череповецкого государственного университета опубликовал статью в международном научном журнале Environmental Monitoring and Assessment (Q2, издательство Springer Nature).
Работа посвящена классификации мест произрастания осины в таёжных лесах с использованием спутниковых данных и алгоритмов машинного обучения.

Презентация проекта
«Осина играет ключевую роль в экосистемах северных лесов России: она способствует поддержанию биоразнообразия и участвует в естественном восстановлении лесов после вырубок и пожаров. Однако по спутниковым снимкам осину крайне трудно отличить от других лиственных пород, особенно берёзы и ольхи, что создаёт проблемы для мониторинга и управления лесными ресурсами», – отмечает руководитель проекта, аспирант и старший преподаватель кафедры биологии ЧГУ Дмитрий Сергеевич Трошин.

Руководитель проекта – Дмитрий Сергеевич Трошин
Для решения этой задачи авторы использовали изображения со спутника Sentinel-2 и разработали систему из 19 различных индикаторов, включающих спектральные характеристики и вегетационные индексы (такие как NDVI, EVI, SAVI и другие). Применение моделей машинного обучения – Random Forest и XGBoost – позволило достичь точности распознавания участков с осиной свыше 95%.

Алгоритм обработки изображений дистанционного зондирования и проверки важности признаков
Такой подход открывает возможности для создания точных цифровых карт распространения древесных пород без проведения трудоёмких наземных обследований. Методика может найти практическое применение в лесной инвентаризации, планировании лесозаготовок и оценке состояния лесных экосистем.

Точность классификации изображений по сезонам года
Исследование стало возможным благодаря поддержке Департамента лесного комплекса Вологодской области, предоставившего таксационные описания лесных участков, а также помощи студентов кафедры биологии в сборе космических снимков. Эти данные обеспечили надёжную верификацию спутниковых изображений и значительно повысили достоверность пространственного анализа.

Влияние на целевую переменную каждого наблюдения на основе критерия SHAP
Авторы подчёркивают, что разработанная методика является лишь первым этапом исследований. В дальнейшем планируется провести валидационные тесты на различных типах лесных сообществ (еловых, берёзовых, смешанных и других), чтобы исключить ложноположительные результаты и подтвердить специфичность модели именно к осине, а не к другим лиственным породам с похожими спектральными характеристиками.
Статья: Spatial and temporal classification and prediction of aspen probability in boreal forests using machine learning algorithms (DOI: https://doi.org/10.1007/s10661-025-13985-9)