XXII.F.532
Современные методы в ДЗЗ для исследования арктических экосистем: систематический обзор и перспективы.
Фабер Е.Д, (1,2)
(1) Национальный исследовательский университет, Высшая школа экономики, Москва, Россия
(2) ФГБУ "ФНКЦ КМ" ФМБА России, Москва, Россия
Арктическая экосистема, характеризующаяся уникальным биоразнообразием и хрупкой средой, неминуемо столкнётся со значительными угрозами из-за возрастающей судоходной деятельности, нефтегазовой промышленности и последствий глобального потепления. Это создает множество проблем для баланса арктической дикой природы [1]. Дистанционное зондирование Земли (ДЗЗ) представляет собой мощный инструмент для мониторинга арктических животных и защиты уникальных экосистем этого региона, предоставляя актуальные данные о популяциях животных, их миграционных маршрутах и изменениях в среде обитания [2]. В данной статье представлен обзор современных методов ДЗЗ, включая спутниковую съемку, лазерное сканирование и гиперспектральный анализ, а также их применение для отслеживания ключевых арктических видов, таких как белые медведи, тюлени и моржи [3,4]. Рассматриваются успешные примеры интеграции данных ДЗЗ в программы охраны природы и управления ресурсами, подчеркивая важность междисциплинарного подхода в решении проблем сохранения биоразнообразия. Рассматриваются примеры успешного применения алгоритмов машинного обучения для классификации изображений, анализа миграционных маршрутов и оценки состояния среды обитания [4,5]. В заключение, доклад акцентирует внимание на необходимости дальнейших исследований и разработки новых технологий для повышения эффективности мониторинга и защиты арктической экосистемы в условиях развивающейся инфраструктуры Арктики.
Ключевые слова: ДЗЗ, Арктика, мониторинг, экосистема Арктики, северный морской путьЛитература:
- Wright, S.K., Allan, S., Wilkin, S.M., Ziccardi, Oil Spills in the Arctic. In: Tryland, M. (eds) Arctic One Health. Springer, 2022
- Dominique Chabot, Seth Stapleton, Charles M. Francis, "Using Web images to train a deep neural network to detect sparsely distributed wildlife in large volumes of remotely sensed imagery: A case study of polar bears on sea ice, Ecological Informatics, Volume 68, 2022
- Noh H, Kang K, Park J-Y. Risk Analysis of Autonomous Underwater Vehicle Operation in a Polar Environment Based on Fuzzy Fault Tree Analysis. Journal of Marine Science and Engineering. 2023; 11(10):1976
- Borowicz A, Le H, Humphries G, Nehls G, Höschle C, Kosarev V, Lynch HJ. Aerial-trained deep learning networks for surveying cetaceans from satellite imagery. PLoS One. 2019 Oct 1;14(10):e0212532
- Li W, Hsu C-Y, Tedesco M. Advancing Arctic Sea Ice Remote Sensing with AI and Deep Learning: Opportunities and Challenges. Remote Sensing. 2024; 16(20):3764
Презентация доклада
Ссылка для цитирования: Фабер Е.Д,. Современные методы в ДЗЗ для исследования арктических экосистем: систематический обзор и перспективы. // Материалы 22-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». Москва: ИКИ РАН, 2024. C. 216. DOI 10.21046/22DZZconf-2024aДистанционное зондирование растительных и почвенных покровов
216