Практически все специальные карстологические исследования начинаются с изучения распределения поверхностных форм проявления карста. Для успешного дешифрирования карстовых и карстово-суффозионных форм на аэро- и космоснимках их размер должен составлять не менее 4-5 пикселей. Так как разрешение открытых космических данных в большинстве случаев составляет 10 м и более на пиксель (среднемасштабные снимки), то достоверная идентификация по этим снимкам объектов карстового и карстово-суффозионного генезиса размером менее 40–50 м не представляется возможной. Мелкие карстовые воронки в условиях открытого карста или покрытого, где мощность покровов незначительна, а также формы суффозионной природы – воронкообразные понижения в рельефе диаметром первые метры –10–15 м – на таких снимках по-отдельности не дешифрируются, однако возможно выделение карстовых полей – специфических форм рельефа, называемых «гусиная кожа» за специфический морфологический рисунок на космоснимках [1].
По этой причине спектральные космоснимки Sentinel-2 можно использовать лишь для определения контура полей поверхностных проявлений, для детального изучения пораженности территории карстовым процессом они не подходят. Также стоит учитывать ограничения, которые накладываются на такой формат исходных данных, их использование для прямого дешифрирования форм на залесенных территориях невозможно.
В связи с этим, исследования отдельных карстопроявлений с использованием открытых глобальных (доступных на весь Земной шар) библиотек данных ДЗЗ являются скорее исключением, чем правилом. Данными дистанционного зондирования, используемыми в карстологических целях, сегодня в основном выступают цифровые модели рельефа, как по отдельности [2], так и в комбинации со спектральными изображениями [3, 7], или данные радарной съемки [4-6].
В работе предлагается использование набора вегетационных индексов в модели множественной регрессии с целью предварительного зонирования территории Пивоваровского карстового участка по степени карстовой опасности, посредством которого можно наметить участки для последующих маршрутных наблюдений как потенциально опасные в карстовом отношении. Так как карстовый массив характеризуется спецификой распределения поверхностного стока, обусловленного наличием концентрических очагов поглощения поверхностных вод – карстовых воронок, использование геоботанических признаком, хорошо регистрируемых спектральными вегетационными индексами, может помочь в косвенной оценке поверхностной закарстованности.
Принимая во внимание особенности отражения различных видов растительности, для исследования спектральных индексов, авторами в Google Earth Engine посредством контролируемой классификации (алгоритм CART) проведено разделение территории по типам растительного покрова: участки лесной и луговой растительности. Затем там же был произведен расчет нескольких спектральных индексов, из которых выбраны наиболее представительные: NDVI, GNDVI, SAVI и Moisture Index.
В геоинформационной системе (ГИС) ArcGIS с использованием инструмента зональная статистика на участках карстовых форм извлечено среднее значение каждого вегетационного индекса. В качестве параметра, характеризующего поверхностную закарстованность, использована плотность карстовых воронок на единицу площади. Ее значение так же извлечено в точку – местоположение карстовой формы. Затем все данные были сведены в таблицу и нормированы.
Для использования в модели множественной регрессии зависимость плотности карстовых форм от каждого вегетационного индекса сведена к линейной по методу наименьших квадратов. И затем с использованием языка программирования Python и пакета Scikit-learn рассчитаны коэффициенты прогнозной модели.
С использованием рассчитанных коэффициентов и растровых моделей вегетационных индексов в калькуляторе растра в ГИС создана карта, позволяющая зонировать территорию по степени карстовой опасности, ориентируясь на изменения прогнозных значений выбранного параметра, характеризующего поверхностную закарстованность. В результате намечены потенциальные участки распространения карстовых форм. Повышение точности прогнозной карты возможно посредством включения дополнительных факторов, в том числе категориальных признаков, в модель множественной регрессии.

Исследование выполнено за счет гранта Российского научного фонда № 24-27-00350, https://rscf.ru/project/24-27-00350/.