528.7; 528.8

Приведены результаты исследований водно-болотных угодий Вьетнама. После экономической реформы в Вьетнаме (название «Doi Moi» с 1986 года по настоящее время), площадь водно-болотных угодий и мангровых зарослей в Канзё в частности и дельты Меконга в целом деградирует из-за изменений в экономической и экологической политике страны. Инвентаризация и мониторинг этих изменений остаются сложной задачей из-за малой доступности. Поэтому необходимо вооружить руководителей инструментами для анализа и мониторинга экосистем водно-болотных угодий. Целью данного исследования является разработка методики определения типов водно болотных угодий в мангровом биосферном резервате Канзё города Хошимина по системе классификации водно-болотных угодий RAMSAR и MONRE (Министерства природных ресурсов и окружающей среды) c использованием многозональных разновременных космиче- ских снимков. В исследовании авторы использовали два алгоритма машинного обучения Random Forest и Support Vector Machine для классификации объектов водно-болотных угодий с использованием многозональных космических снимков Landsat 5, RapidEye, Sentinel 2 в мангровом лесу Канзё. Полученные результаты представляют собой 6 карт водно-болотных угодий за 6 периодов с 1992 по 2022 год.

The results of wetlands studies in Vietnam are presented. After the economic reform («Doi Moi» from 1986 to the present), the area of wetlands and mangroves in the Mekong Delta and Сan Gio reserve in particular is degrading due to changes in the country's economic and environmental policies. Therefore, it is necessary to equip decision makers with the tools to analyze and monitor wetland ecosystems. The purpose of this study is to develop a methodology for identifying wetland types in the Can Gio Mangrove Biosphere Reserve in Ho Chi Minh City according to the Convention on Wetlands Ramsar and MONRE (Ministry of Natural esources and Environment) wetland classification system using multi-zone multi-temporal space images. The authors used two machine learning algorithms Random forest and Support Vector Machine to classify wetland objects using multizone satellite images Landsat 5, RapidEye, Sentinel 2 in the Can Gio mangrove forest. The results obtained are 6 maps of wetlands for 6 periods from 1992 to 2022.

аспирант, кафедра космического мониторинга и экологии Московского государственного университета геодезии и картографии

доктор технических наук, профессор, заведующий кафедрой космического мониторинга и экологии, Московский государственный университет геодезии и картографии

Руководство по Рамсарской конвенции. (1971). Справочник по осуществлению Конвенции о водно-болотных угодьях. Рамсар. Иран. C. 7-8.

Водно-болотные угодья России. (2005). Том 5. Водно-болотные угодья юга Дальнего Востока России. M.: Wetlands International. 220 c.

Viet Nam Environment Protection Agency. (2005). Overview of Wetlands Status in Viet Nam Following and 15 Years of Ramsar Convention Implementation. Hanoi, Viet Nam. 72 pp. https://portals.iucn.org/library/sites/library/files/documents/2005-105.pdf

Alisa L. (2015). «The Challenges of Remote Monitoring of Wetlands» Remote Sensing 7 Gallant. No. 8: 10938-10950. https://doi. org/10.3390/rs70810938.

H.T. Luu. (2022). Characteristics of formulation and orientation of wetlands use of Can Gio district, Ho Chi Minh city, Institute of Geography and Resources of Ho Chi Minh City. Ho Chi Minh.

Truong T.H. B. Pham, V.H. Le Kim, T. & Nguyen V.L. (2008). Using multi-temporal remote sensing data to manage the mangrove for coastal environmental protection. In International Society for Photogrammetry and Remote Sensing (ISPRS) Archives (Vol. XXXVII). Part 8. Beijing. https://www.isprs.org/proceedings/XXXVII/congress/8_pdf/6_WG-VIII-6/12.pdf

J. Davis. The Ramsar Convention manual. (1994). A guide to the convention on wetlands of international importance especially as waterfowl habitat. Gland (Switzerland) Ramsar Convention Bureau.

MONRE. Thong Tu 07/2020/TT-BTNMT Ngay 31/08/2020 v? Hu?ng D?n Di?m Kho?n 1 Di?u 31 Ngh? D?nh 66/2019/ND-CP v? B?o T?n va S? D?ng B?n V?ng Cac Vung D?t Ng?p Nu?c, Ha N?i, 2020. https://thuvienphapluat.vn/van-ban/Tai-nguyen-Moitruong/ Quyet-dinh-1093-QD-TCMT-huong-dan-ky-thuat-phan-loai-dat-ngap-nuoc-2016-340453.aspx

Quy ho?ch s? d?ng d?t d?n nam 2020 Bao cao thuy?t minh t?ng h?p, K? ho?ch s? d?ng d?t 5 nam giai do?n 2011-2015 huy?n С?n Gi?, H? Chi Minh.

Sun Xiaoxia. (2005) A comparison of object-oriented and pixel-based classification approachs using quickbird imagery. 281-284.

Andrea S Laliberte. (2004). Object-oriented image analysis for mapping shrub encroachment from 1937 to 2003 in southern New Mexico. 93 (1-2). 198-210.

Sheykhmousa, Mohammadreza, et al. «Support vector machine versus random forest for remote sensing image classification: A meta-analysis and systematic review». IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 13 (2020): 6308-6325.

Foody G.M. (2020). Explaining the unsuitability of the kappa coefficient in the assessment and comparison of the accuracy of thematic maps obtained by image classification. Remote Sensing of Environment. 239. 111630.

Fitzgerald R.W., & Lees B.G. (1994). Assessing the classification accuracy of multisource remote sensing data. Remote sensing of Environment. 47(3). 362-368.

Amani M., Mahdavi S., Kakooei M., Ghorbanian A., Brisco B., DeLancey E.R., & Reyes E.L. (2021). Wetland Change Analysis in Alberta, Canada Using Four Decades of Landsat Imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 14. 10314-10335.

Amani M., Brisco B., Mahdavi S., Ghorbanian A., Moghimi A., DeLancey E.R. & LaRocque A. (2020). Evaluation of the landsatbased Canadian wetland inventory map using multiple sources: Challenges of large-scale wetland classification using remote sensing. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 14. 32-52.