528.85

Городские зелёные пространства выполняют важные средообразующие функции, однако в быстро урбанизирующихся районах стремительно сокращаются, что требует регулярного и объективного контроля средствами космической съёмки. В работе на облачной платформе Google Earth Engine выполнено картографирование наземного покрова муниципального образования Тхюйнгуен - формируемого административного центра города Хайфон (Вьетнам) - за 2017-2025 гг., а также сопоставлена точность классификации при разных источниках входных данных. Один и тот же классификатор - случайный лес (Random Forest) - обучался на идентичной выборке, но с различными наборами признаков: спектральные каналы, спектральные индексы, статистики за год, главные компоненты, а также готовые эмбеддинги AlphaEarth; сравнивались снимки Sentinel-2 (10 м), Landsat 8/9 (30 м) и эмбеддинги AlphaEarth (10 м). Наилучший результат получен для Sentinel-2 с расширенным набором из 43 признаков - общая точность 98.6%, каппа 0.976; эмбеддинги AlphaEarth (64 канала) дали 97.1% без ручного конструирования признаков, тогда как для Landsat из-за более грубого разрешения точность не превысила 92%. По картам 2017-2025 гг. доля зелёно-водных пространств снизилась с 73.3 до 52.6%, застроенные территории выросли примерно на 733 га. Пиксельная регрессия NDVI по восьми парам лет показала наибольшее сокращение растительности в 2017-2018 и 2023-2024 гг. Сопоставление трендов NDVI с ходом освоения территории и погодными событиями позволило выделить характерные этапы трансформации, связанные со строительством нового административного центра и индустриального парка VSIP, ограничениями периода COVID-19 и последствиями супертайфуна «Яги» и последовавшего лесного пожара (2024 г.). Предложенная схема воспроизводима и применима для оперативного мониторинга на муниципальном уровне.

Urban green spaces provide vital environmental services but shrink rapidly under urbanization, which calls for regular and objective satellite-based monitoring. Using Google Earth Engine, we mapped land cover of the Thuy Nguyen municipality - the emerging administrative centre of Hai Phong, Vietnam - for 2017-2025 and compared classification accuracy across different input data. The same Random Forest classifier was trained on an identical sample but with various feature sets - spectral bands, spectral indices, annual statistics, principal components and ready-made AlphaEarth embeddings - for Sentinel-2 (10 m), Landsat 8/9 (30 m) and AlphaEarth (10 m). The best result was obtained for Sentinel-2 with an extended 43-feature set (overall accuracy 98.6%, kappa 0.976); the 64-band AlphaEarth embedding reached 97.1% without manual feature engineering, whereas the coarser Landsat data did not exceed 92%. Over 2017-2025 the share of green-and-water surfaces fell from 73.3% to 52.6%, and built-up land grew by about 733 ha. Per-pixel NDVI regression over eight year-pairs identified 2017-2018 and 2023-2024 as periods of the greatest vegetation loss. Comparison of the NDVI trends with land development and weather events revealed distinct transformation stages linked to construction of the new administrative centre and the VSIP industrial park, COVID-19 restrictions and the impact of super typhoon Yagi and a subsequent forest fire (2024). The proposed workflow is reproducible and suitable for operational municipal-scale monitoring.

аспирант, Московский государственный университет геодезии и картографии

Weng Q. Remote sensing of impervious surfaces in the urban areas: Requirements, methods, and trends. Remote Sensing of Environment. 2012. V. 117. Pp. 34-49.

Барталев С.А., Егоров В.А., Жарко В.О. и др. Спутниковое картографирование растительного покрова России. М.: ИКИ РАН. 2016. 208 с.

Gorelick N., Hancher M., Dixon M. et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment. 2017. V. 202. Pp. 18-27.

Барталев С.А., Лупян Е.А. Исследования и разработки ИКИ РАН по развитию методов спутникового мониторинга растительного покрова // Современные проблемы дистанционного зондирования Земли из космоса. 2013. Т. 10. №1. С. 197-214.

Лупян Е.А., Прошин А.А., Бурцев М.А. и др. Центр коллективного пользования системами архивации, обработки и анализа спутниковых данных ИКИ РАН для решения задач изучения и мониторинга окружающей среды // Современные проблемы дистанционного зондирования Земли из космоса. 2015. Т. 12. №5. С. 263-284.

Drusch M., Del Bello U., Carlier S. et al. Sentinel-2: ESAs optical high-resolution mission for GMES operational services. Remote Sensing of Environment. 2012. V. 120. Pp. 25-36.

Черепанов А.С., Дружинина Е.Г. Спектральные свойства растительности и вегетационные индексы // Геоматика. 2009. №3. С. 28-32.

Rouse J.W., Haas R.H., Schell J.A., Deering D.W. Monitoring vegetation systems in the Great Plains with ERTS. NASA Special Publication. 1974. V. 351. Pp. 309-317.

Brown C.F., Kazmierski M.R., Pasquarella V.J. et al. AlphaEarth Foundations: An embedding field model for accurate and efficient global mapping from sparse label data. arXiv:2507.22291. 2025.

Pasquarella V.J., Brown C.F., Czerwinski W., Rucklidge W.J. Comprehensive quality assessment of optical satellite imagery using weakly supervised video learning. IEEE/CVF CVPR Workshops. 2023. Pp. 2125-2135.

Belgiu M., Dragut L. Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing. 2016. V. 114. Pp. 24-31.

Breiman L. Random forests. Machine Learning. 2001. V. 45. No. 1. Pp. 5-32.

McFeeters S.K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing. 1996. V. 17. No. 7. Pp. 1425-1432.

Zha Y., Gao J., Ni S. Use of normalized difference built-up index in automatically mapping urban areas from TM imagery. International Journal of Remote Sensing. 2003. V. 24. No. 3. Pp. 583-594.

Cohen J. A coefficient of agreement for nominal scales. Educational and Psychological Measurement. 1960. V. 20. No. 1. Pp. 37-46.

Congalton R.G. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment. 1991. V. 37. No. 1. Pp. 35-46.

Терехин Э.А. Анализ сезонной динамики вегетационного индекса NDVI и отражательных свойств посевов на территории Белгородской области // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. №4. С. 244-252.

de Jong R., de Bruin S., de Wit A., Schaepman M.E., Dent D.L. Analysis of monotonic greening and browning trends from global NDVI time-series. Remote Sensing of Environment. 2011. V. 115. No. 2. Pp. 692-702.

Fensholt R., Proud S.R. Evaluation of Earth Observation based global long term vegetation trends - Comparing GIMMS and MODIS global NDVI time series. Remote Sensing of Environment. 2012. V. 119. Pp. 131-147.

Olofsson P., Foody G.M., Herold M., Stehman S.V., Woodcock C.E., Wulder M.A. Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment. 2014. V. 148. Pp. 42-57.

Управление ООН по координации гуманитарных вопросов (УКГВ). Вьетнам: тайфун «Яги» и наводнения. Оперативная сводка № 4 (18 сентября 2024 г.). 2024. URL: https://www.unocha.org/publications/report/viet-nam/viet-nam-typhoon-yagi-andfloods- situation-update-no-4-18-september-2024 (дата обращения: 19.08.2026).

Лесной пожар на горе Шондао (уезд Тхюйнгуен, г. Хайфон) // Bao H?i Phong. 20 октября 2024 г. URL: https://baohaiphong. vn/vi/hoat-dong-dia-phuong/chay-rung-tai-nui-son-dao-huyen-thuy-nguyen-2024920192527.htm (дата обращения: 19.08.2026).