528.7; 528.8

В исследовании представлены результаты комплексного анализа состояния озера Плещеево (Россия) на основе данных дистанционного зондирования Земли за 2017-2024 гг. Использованы спутниковые снимки PlanetScope, Sentinel-1, Landsat 8 и 9 для мониторинга изменений сети береговой линии, площади водной поверхности, прибрежной растительности и температуры воды. Модель нейронной сети глубокого обучения U-Net обеспечила автоматизированное выделение водной поверхности (точность 97.6%) и водной растительности (94.7%). Температура рассчитывалась на платформе Google Earth Engine по тепловым каналам Landsat. Выявлено сокращение площади озера на 45 га (0.89%) с 2022 г., межгодовые колебания растительности (125.96-178.82 га) и тенденция к повышению температуры, связанная с глобальным потеплением. Результаты подтверждают эффективность сочетания оптических и радиолокационных данных с методами искусственного интеллекта для экологического мониторинга и могут быть использованы при разработке стратегий устойчивого управления водными ресурсами.

The study presents the results of a comprehensive analysis of the state of Lake Pleshcheyevo (Russia) based on Earth remote sensing data for the period 2017-2024. Satellite images from PlanetScope, Sentinel-1, and Landsat 8 and 9 were used to monitor changes in shoreline networks, water surface area, coastal vegetation, and water temperature. The deep learning neural network model U-Net enabled automated extraction of the water surface (accuracy 97.6%) and aquatic vegetation (94.7%). Temperature was calculated on the Google Earth Engine platform using Landsat thermal bands. A reduction in the lake area by 45 hectares (0.89%) since 2022 was identified, along with interannual fluctuations in vegetation (125.96-178.82 ha) and a warming trend associated with global climate change. The results confirm the effectiveness of combining optical and radar data with artificial intelligence methods for environmental monitoring and can be used in developing sustainable water resource management strategies.

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

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

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

студент, Московский государственный университет геодезии и картографии

студент, Московский государственный университет геодезии и картографии

студент, Московский государственный университет геодезии и картографии

Никитина О.И. Влияние регулирования стока на водные экосистемы бассейна Амура и меры по их сохранению / О.И. Никитина // Abstract. dis.... candidate of Geographical Sciences. Москва: ИВП РАН. 2021.

Зилов Е.А. Гидробиология и водная экология (организация, функционирование и загрязнение водных экосистем) / Е.А. Зилов // Учеб. пособие. Иркутск: Изд-во Иркут. ун. 2009. С. 147.

Кацман Е.А. Трансформации экосистем пойменных водоемов в условиях современных природных и антропогенных изменений и возможные природоохранные стратегии / Е.А. Кацман, В.В. Осипов // Успехи современной биологии. 2024. Т. 144. №1. С. 80-96.

Фоменко М.А. Экономический механизм сохранения биоразнообразия в деятельности национального парка «Плещеево озеро» / М.А. Фоменко, А.В. Михайлова // Ярославль: НПП «Кадастр». 2006.

Каменнова И.Е. Водно-болотные угодья России. Том 2. Ценные болота / И.Е. Каменнова // Wetlands International. М.

Маслова Э.О. Роль международных соглашений в сохранении и защите охраняемых территорий / Э.О. Маслова // Вопросы устойчивого развития общества. 2021. №6. С. 387-396.

Министерство природных ресурсов РФ. Национальный парк «Плещеево озеро» / MNR Russia // https://mnr.gov.ru/activity/oopt/pleshcheevo_ozero_natsionalnyy_prak/) (дата обращения 26.04.2025).

Y. Xu, Y. Yang, X. Chen, Y. Liu. Bibliometric analysis of global NDVI research trends from 1985 to 2021. Remote Sensing. 2022. V. 14. No. 16. Pp. 3967.

J.D. Ballester-Berman, J.M. Lopez-Sanchez. Applying the Freeman-Durden decomposition concept to polarimetric SAR interferometry. IEEE Transactions on Geoscience and Remote Sensing. 2009. V. 48. No. 1. Pp. 466-479.

H. Budzier, G. Gerlach. Thermal infrared sensors: theory, optimisation and practice. John Wiley & Sons. 2011.

S. Xu, Q. Zhao, K. Yin, F. Zhang, D. Liu, G. Yang. Combining random forest and support vector machines for object-based rural-land-cover classification using high spatial resolution imagery. Journal of Applied Remote Sensing. 2019. V. 13. No. 1. Pp. 014521.

O. Ronneberger, P. Fischer, T. Brox. U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical image computing and computer-assisted intervention. Cham: Springer International Publishing. 2015. Pp. 234-241.

Базалеев Ф.Е. Исследование возможности детектирования дорожных знаков на основе нейросетевой модели YOLO / Ф.Е. Базалеев, Е.И. Пиховская.

T.E. Sereke, T. Tesfay, V.V. Bratков, K.D. Tuen. Dynamics of Land Use, Land Cover Changes and Their Impacts on Land Surface Temperature Using Satellite Imagery. RUDN Journal of Engineering Research. 2024. V. 25. No. 3. Pp. 308-318. DOI 10.22363/2312-8143-2024-25-3-308-318.