DOI: 10.22281/2686-9713-2026-3-117-153

УДК 528.94:528.9:004.032.26

И. А. Лавриненко
КАРТОГРАФИРОВАНИЕ ТУНДРОВОЙ РАСТИТЕЛЬНОСТИ С ПРИМЕНЕНИЕМ НЕЙРОННЫХ СЕТЕЙ И ГЕНЕРАЛИЗАЦИЯ КРУПНОМАСШТАБНЫХ КАРТ
Аннотация. Картографирование растительности на эколого-флористической основе с применением данных дистанционного зондирования и методов глубокого обучения – актуальная задача, решение которой необходимо для повышения информативности и сопоставимости крупномасштабных геоботанических карт. Исследование выполнено с целью создания серии геоботанических карт разного масштаба на территорию ключевого участка на западе Большеземельской тундры в бассейне р. Северная (полоса северной лесотундры) с применением алгоритма нейронных сетей на основе массива полевых геоботанических описаний, спутниковых снимков сверхвысокого разрешения и аэрофотоснимков с БПЛА. Дешифрирование растительности проводилось методом обучения свёрточных нейронных сетей (CNN) с опорой на репрезентативную выборку эталонных наземных описаний и обучающих точек. В качестве классификационной основы для карт использованы синтаксоны эколого-флористической классификации; пространственная генерализация выполнена методом кросс-табуляции слоёв карт разного масштаба. Создана крупномасштабная геоботаническая карта (М 1 : 10 000), единицами легенды которой являются ассоциации, субассоциации и их комбинации. Показано, что CNN позволяют устойчиво распознавать значимые различия между сообществами разных синтаксонов, ранее выявляемые только при наземном картографировании. Проведена генерализация карты до масштабов 1 : 25 000 и 1 : 100 000, при этом для каждого укрупнённого выдела сохранены и количественно охарактеризованы синтаксономический состав и доля участия слагающих его единиц. Предложенный подход обеспечивает переход к единой системе типологии выделов крупномасштабных карт, что создает основу для корректного сравнения разномасштабных и территориально разобщённых геоботанических карт. Благодаря высокой диагностической роли синтаксонов такие карты являются основой для создания широкого спектра тематических карт, отражающих экологическое состояние территории и местообитаний, а также для организации мониторинга растительного покрова с последующей точной оценкой трансформации границ и синтаксономического состава выделов под влиянием климатических и антропогенных факторов. Нанесение на карту выделов, представленных сообществами синтаксонов, отсутствующих в действующей «Классификации растительности России», следует предварять их эффективной публикацией.
Ключевые слова: геоботаническое картографирование, свёрточные нейронные сети, CNN, эколого-флористическая классификация, синтаксономия, легенда карты, пространственная генерализация, кросс-табуляция, данные ДЗЗ, БПЛА.

I. A. Lavrinenko
TUNDRA VEGETATION MAPPING USING NEURAL NETWORKS AND LARGE-SCALE MAP GENERALIZATION
Abstract. Vegetation mapping based on the ecological-floristic approach using remote sensing data and deep learning methods remains a pressing task, the solution of which is essential for improving the information content and comparability of large-scale geobotanical maps. The aim of this study was to create a series of geobotanical maps at different scales for a key site in the western part of the Bolshezemelskaya Tundra, within the Severnaya River basin (northern forest-tundra), by applying a convolutional neural network algorithm to an extensive dataset of field geobotanical relevés, very-high-resolution satellite imagery, and UAV aerial photographs. Vegetation classification was carried out using convolutional neural networks (CNN) trained on a representative sample of reference ground-based relevés and training points. Syntaxa of the ecological-floristic classification were adopted as the classification basis for the map legend; spatial generalization was performed using the cross-tabulation method. As a result, a large-scale geobotanical map (1 : 10 000) was produced, with associations, subassociations, and their combinations serving as legend units. It has been demonstrated that CNNs can robustly detect significant differences between communities of different syntaxa, which were previously only distinguishable through ground-based mapping. Map generalization to scales of 1 : 25 000 and 1 : 100 000 was carried out, while the syntaxonomic composition and the proportional contribution of constituent units were preserved and quantitatively characterized for each aggregated mapping unit. The proposed approach provides a transition toward a unified system of legend unit typology for large-scale maps, thus laying the foundation for a correct comparison of geobotanical maps of different scales and geographically distant areas. Owing to the high diagnostic value of syntaxa, such maps can serve as a basis for creating a wide range of thematic maps that reflect the ecological state of the territory and habitats, as well as for organizing vegetation cover monitoring, with subsequent precise assessment of boundary shifts and changes in the syntaxonomic composition of mapping units under the influence of climatic and anthropogenic factors. The delineation of mapping units represented by communities of syntaxa not yet listed in the current «Vegetation Classification of Russia» must be preceded by their effective publication.
Keywords: geobotanical mapping, convolutional neural networks, CNN, ecological-floristic classification, Braun-Blanquet approach, syntaxonomy, map legend, spatial generalization, cross-tabulation, remote sensing data, UAV imagery.

Скачать статью (файл pdf) — Download (pdf)

Это произведение доступно по лицензии Creative Commons «Attribution-ShareAlike» («Атрибуция — На тех же условиях») 4.0 Всемирная.