528.7, 528.8

В данной статье представлена разработка методики определения основных индексов качества воды в реке Красной с использованием материалов разновременной космической съёмки. Для исследования были использованы аэрокосмические снимки Sentinel-2 и данные качества воды, полученные на местности из 35 точек. С помощью многомерной линейной регрессии были разработаны формулы, позволяющие установить зависимость между каналами B1, B2, B3, B4 и индексами качества воды COD, BOD, NDTI и TSS. Эти результаты представляют важную информацию для оценки качества воды в Красной реке и могут быть использованы для дальнейшего мониторинга и анализа. Кроме того, был создан веб-сайт «Карта- схема основных индексов качества воды в Красной реке» на платформе Google Earth Engine (GEE). Этот инструмент позволяет пользователям получать доступ к данным об индексах NDTI и TSS, рассчитанным с использованием аэрокосмических снимков Sentinel-2. Таким образом, исследование не только устанавливает зависимость между снимками и индексами качества воды, но и предоставляет удобный способ отслеживания и анализа этих данных на практике. В целом, данная статья представляет значимый вклад в разработку методики определения качества воды в реке Красной с использованием разновременной космической съемки и создания удобного инструмента для мониторинга данной информации.

The present paper introduces the development of a methodology for determining key water quality indices in the Red River using materials from multi-temporal satellite imagery. Aerospace images from Sentinel-2 and on-site water quality data from 35 sampling points were utilized in the study. Multivariate linear regression formulas were derived to establish relationships between the B1, B2, B3, and B4 channels, as well as water quality indices such as Chemical Oxygen Demand (COD), Biochemical Oxygen Demand (BOD), Normalized Difference Turbidity Index (NDTI), and Total Suspended Solids (TSS). These findings provide crucial information for assessing water quality in the Red River and can be employed for ongoing monitoring and analysis. Additionally, a website «Map-Scheme of Key Water Quality Indices in the Red River» was developed on the Google Earth Engine (GEE) platform. This tool enables users to access NDTI and TSS index data calculated from Sentinel-2 satellite imagery. Thus, the research not only establishes a correlation between imagery and water quality indices but also offers a convenient means for real-world tracking and analysis of this information. Overall, this article constitutes a significant contribution to the development of a methodology for water quality determination in the Red River using multi-temporal satellite imagery and the creation of a convenient tool for monitoring this information.

аспирант, кафедра космического мониторинга и экологии, Московский государственный университет геодезии и картографии

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

научный сотрудник, Технический университет Ле Куи Дон

доцент, Технический университет Ле Куи Дон

Rabett R.J. Prehistoric pathways to Anthropocene adaptation: Evidence from the Red River Delta, Vietnam. R. Morimoto, T. Kahlert, C.M. Stimpson, S. ODonnell, N.T. Mai Huong et al. PLoS ONE. 2023. Vol. 18. https://journals.plos.org/plosone/ article?id=10.1371/journal.pone.0280126.

Google. USGS Landsat 8 Level 2, Collection 2, Tier 1. https://developers.google.com/earth-engine/datasets/catalog/LANDSAT_ LC08_C02_T1_L2.

Google. Earth Engine guides. https://earthengine.google.com/.

Пергам. Инфракрасный термометр FLIR TG165. https://www.pergam.ru/files/topdf/flir-tg165_22108_country_0.pdf.

Антонов Г.В., Иванов С.И. Линейная регрессия как один из методов статистического исследования // Известия Великолукской государственной сельскохозяйственной академии. 2021. №2. https://cyberleninka.ru/article/n/lineynaya-regressiya-kak-odin-izmetodov- statisticheskogo-issledovaniya.

Gerald F. High Resolution Mapping of Soil Properties Using Remote Sensing Variables in South-Western Burkina Faso: A Comparison of Machine Learning and Multiple Linear Regression Models / Ozias K. L. H, Gerhard W., Michael T. PLoS ONE. 2017. Vol. 12. https://journals.plos.org/plosone/article/file?id=10.1371/journal.pone.0170478&type=printable.

JupyterLab. Jupyter Project Documentation. https://docs.jupyter.org/.

Python Software Foundation. Python 3.11.3 documentation. https://docs.python.org/3/.

Кинякин В.Н., Милевская Ю.С. Некоторые предостережения по проверке качества модели регрессии с помощью коэффициента детерминации // Вестник Московского университета МВД России. 2014. №8. https://cyberleninka.ru/article/n/ nekotorye-predosterezheniya-po-proverke-kachestva-modeli-regressii-s-pomoschyu-koeffitsienta-determinatsii/viewer.

Красильников Д.Е. Алгоритм вычисления коэффициента выборочной детерминации в MS-Excel // Труды НГТУ им. Р.Е. Алексеева. 2016. №24. https://cyberleninka.ru/article/n/algoritm-vychisleniya-koeffitsienta-vyborochnoy-determinatsii-v-msexcel/ viewer.

Иматузко А.К., Якубайлик О.Э. Мониторинг температуры земной поверхности территории Красноярска и окрестностей на основе спутниковых данных Sentinel-2 // Успехи современного естествознания. 2018. №7. https://elibrary.ru/download/ elibrary_35559893_74115884.pdf.