Моделювання біофізичного стану степової зони України на основі даних космічного знімання
Рубрика:
| Лубський, МС, Хижняк, АВ, Орленко, ТА, Голубов, СІ |
| Косм. наука технол. 2025, 31 ;(2):03-03 |
| https://doi.org/10.15407/knit2025.02.020 |
| Мова публікації: Англійська |
Анотація: Степова ландшафтно-кліматична зона України піддається тиску через глобальні кліматичні зміни та антропогенне навантаження, пов’язаному із сільським господарством та гірничо-видобувною діяльністю. Також масові злочини, спричинені повномасштабним російським вторгненням призвели до катастрофічних наслідків для степових екосистем та об’єктів природно-заповідного фонду.
Постає актуальна наукова задача створення комплексної геопросторової моделі оцінювання біофізичного стану степової зони та виявлення найбільш вразливих та ушкоджених територій.
В роботі представлено методику багатокритеріальної оцінки та прогнозування стану території заснованої на відборі біофізичних індикаторів, які можливо отримати за даними дистанційного зондування. Виконується ранжування їхніх показників за ступенем впливу на вразливість території та їхнє комплексування у єдину багатокритеріальну оцінку стану методом аналізу ієрархій. Також виконано прогнозування стану на основі часового ряду отриманих оцінок за дослідний період (2015—2024). Основну частину обробки великих масивів геопросторових даних виконано з використанням платформи Google Earth Engine та хмарної обробки даних.
В результаті отримано геопросторовий розподіл оцінок біофізичного стану степової зони України які виявили ряд особливо вразливих до несприятливих кліматичних чинників регіонів, серед яких південь Одеської та Херсонської областей та північна частина Кримського півострова.
|
| Ключові слова: індикатор вразливості, аналіз ієрархій, біофізичний стан, геопросторове моделювання, дистанційне зондування, зміни клімату |
References:
1. Chen Y., Taylor P., Cuddy S., Wahid S., Penton D., Karim F. (2024). Inferring vegetation response to drought at multiscale from long-term satellite imagery and meteorological data in Afghanistan. Ecol. Indic., 158, 111567.
https://doi.org/10.1016/j.ecolind.2024.111567
2. Diem P. K., Nguyen C. T., Diem N. K., Diep N. T.i H., Pham Thao T. B., Hong T. G., Phan T. N. (2024). Remote sensing for urban heat island research: Progress, current issues, and perspectives. Remote Sens. Appl.: Soc. Environ., 33, 101081.
https://doi.org/10.1016/j.rsase.2023.101081
3. Ejaz N., Khan A. H., Saleem M. W., Elfeki A. M., Rahman K. Ur, Hussain S., Ullah S., Shang S. (2024). Multi-criteria
decision-making techniques for groundwater potentiality mapping in arid regions: A case study of Wadi Yiba, Kingdom of
Saudi Arabia. Groundwater Sustainable Dev., 26, 101223.
https://doi.org/10.1016/j.gsd.2024.101223
4. Fathi-Taperasht A., Shafizadeh-Moghadam H., Minaei M., Xu T. (2022). Influence of drought duration and severity on
drought recovery period for different land cover types: evaluation using MODIS-based indices. Ecol. Indic., 141, 109146.
https://doi.org/10.1016/j.ecolind.2022.109146
5. Fuentes I., Vervoort R. W., McPhee J. (2024). Global evapotranspiration models and their performance at different spatial
scales: Contrasting a latitudinal gradient against global catchments. J. Hydrol., 628, 130477.
https://doi.org/10.1016/j.jhydrol.2023.130477
6. Gong Z., Ge W., Guo J., Liu J. (2024). Satellite remote sensing of vegetation phenology: Progress, challenges, and opportunities. ISPRS J. Photogramm. Remote Sens., 217, 149-164. https://doi.org/10.1016/j.isprsjprs.2024.08.011
https://doi.org/10.1016/j.isprsjprs.2024.08.011
7. Hwang C. L., Yoon K. (1981). Multiple attribute decision making: Methods and applications. Springer.
https://doi.org/10.1007/978-3-642-48318-9
8. Jiao W., Wang L., McCabe M. F. (2021). Multi-sensor remote sensing for drought characterization: current status, opportunities and a roadmap for the future. Remote Sens. Environ., 256, 112313.
https://doi.org/10.1016/j.rse.2021.112313
9. Kesselring J., Morsdorf F., Kükenbrink D., Gastellu-Etchegorry J.-P., Damm A. (2024). Diversity of 3D APAR and LAI
dynamics in broadleaf and coniferous forests: Implications for the interpretation of remote sensing-based products. Remote
Sens. Environ., 306, 114116.
https://doi.org/10.1016/j.rse.2024.114116
10. Khachak S. H., Rafieyan O., Kamran K. V., et al. (2024). Application of Remote Sensing and Spatial Fuzzy Multi-criteria
Decision Analysis to Identify Potential Dust Sources in Lake Urmia Basin, Northwest Iran. J Indian Soc. Remote Sens., 52, 2057-2071.
https://doi.org/10.1007/s12524-024-01890-6
11. Lyubskyi M., Khyzhniak A., Orlenko T. (2024). Simulation of the vulnerability of the steppe landscape and climate zone
of Ukraine to climate changes based on space image data. Ukrainian journal of remote sensing, 1(11), 32-40.
https://doi.org/10.36023/ujrs.2024.11.1.258 [In Ukrainian]
12. Mahanta A. R., Rawat K. S., Kumar N., Szabo S., Srivastava P. K., Singh S. K. (2024). Assessment of multi-source satellite products using hydrological modelling approach. Phys. Chem. Earth. A/B/C/, 133, 103507. pce.2023.103507
https://doi.org/10.1016/j.pce.2023.103507
13. Mallick K., Verfaillie J., Wang T., Ortiz A. A., Szutu D., Yi K., Kang Y., Shortt R., Hu T., Sulis M., Szantoi Z., Gilles B.,
Fisher J. B., Baldocchi D. (2024). Net fluxes of broadband shortwave and photosynthetically active radiation complement
NDVI and near infrared reflectance of vegetation to explain gross photosynthesis variability across ecosystems and climate.
Remote Sens. Environ., 307, 114123. https://doi.org/10.1016/j.rse.2024.114123
https://doi.org/10.1016/j.rse.2024.114123
14. Mardani A., Jusoh A. (2015). The use of ELECTRE method in remote sensing for assessing land degradation. Sustainability,
7(3), 2665-2675.
15. Mishra A., Vu T., Veettil A. V., Entekhabi D. (2017). Drought monitoring with soil moisture active passive (SMAP) measurements. J. Hydrol., 552, 620-632.
https://doi.org/10.1016/j.jhydrol.2017.07.033
16. O'Leary D. P. (1990). Robust regression computation using iteratively reweighted least squares. SIAM J. Matrix Anal. Appl.,
11(3), 466-480.
https://doi.org/10.1080/03610927708827533
17. Opricovic S., Tzeng G. H. (2004). Compromise solution by MCDM methods: A comparative analysis of VIKOR and TOPSIS. Eur. J. Oper. Res., 156(2), 445-455. https://doi.org/10.1016/S0377-2217(03)00020-1
https://doi.org/10.1016/S0377-2217(03)00020-1
18. Patil P. P., Jagtap M. P., Khatri N., Madan H., Vadduri A. A., Patodia T. (2024). Exploration and advancement of NDDI
leveraging NDVI and NDWI in Indian semi-arid regions: A remote sensing-based study. Case Stud. Chem. Environ. Eng., 9,
https://doi.org/10.1016/j.cscee.2023.100573
19. Roy B. (1968). Classement et choix en présence de points de vue multiples. RAIRO Oper. Res., 2(8), 57-75 [In French]
https://doi.org/10.1051/ro/196802V100571
20. Saaty T. L. (1980). The analytic hierarchy process. New York: McGraw-Hill.
https://doi.org/10.21236/ADA214804
21. Saaty T. L. (1990). How to make a decision: The analytic hierarchy process. Eur. J. Oper. Res., 48(1), 9-26.
https://doi.org/10.1016/0377-2217(90)90057-I
22. Saaty T. L., Opricovic S. (2006). Application of VIKOR method in remote sensing for environmental impact assessment.
Remote Sens. Environ., 110(1), 47-59.
23. United Nations Department of Economic and Social Affairs (2024). Global Set of Climate Change Statistics and Indicators
Implementation Guidelines. United Nations. New York. ISBN: 978-92-1-101486-0.
24. Wang X., Luo H. (2020). Multicriteria decision-making techniques for environmental impact assessment: AHP in remote
sensing. J. Environ. Manage., 264, 110471.
https://doi.org/10.3390/w15071344
25. Zadeh L. A. (1965). Fuzzy sets. Inform. and Control, 8(3), 338-353.
https://doi.org/10.1016/S0019-9958(65)90241-X
26. Zhao S., Liu M., Tao M., Zhou W., Lu X., Xiong Y., Feng L., Wang Q. (2023). The role of satellite remote sensing in mitigating and adapting to global climate change. Sci. Total Environ., 904, 166820.
https://doi.org/10.1016/j.scitotenv.2023.166820
27. Zhou X., Wang P., Tansey K., Zhang S., Li H., Wang L. (2020). Developing a fused vegetation temperature condition index
for drought monitoring at field scales using Sentinel-2 and MODIS imagery. Computers and Electronics in Agriculture, 168, 105144.
https://doi.org/10.1016/j.compag.2019.105144
28. Zhou Y., Sachs T., Li Z., Pang Y., Xu J., Kalhori A., Wille C., Peng X., Fu X., Wu Y., Wu L. (2023). Long-term effects of rewetting and drought on GPP in a temperate peatland based on satellite remote sensing data. Sci. Total Environ., 882, 163395.
https://doi.org/10.1016/j.scitotenv.2023.163395