Ценность гиперспектральных данных для сквозного картирования растительности водно-болотных угодий в гетерогенных ландшафтах

Почему важно картировать водные ландшафты

Водно-болотные угодья — одни из самых продуктивных и одновременно уязвимых экосистем планеты. Они накапливают углерод, смягчают наводнения и служат убежищем для редких растений и животных, но при этом часто труднодоступны и особенно сложно подробного обследования их на местности. В этом исследовании поставлен практический вопрос, с которым сталкиваются менеджеры парков и защитники природы повсеместно: действительно ли для понимания растительности болот нужны дорогие, передовые гиперспектральные авиационные съемки, или более дешевые и привычные аэрофотоснимки дают достаточно хорошую информацию?

Полет над лабиринтом тростников и зарослей

Исследователи сосредоточились на Национальном парке Нарев на северо‑востоке Польши, одном из крупнейших в Европе комплексов пойменных болот. Здесь извилистая многоканальная река течет по плоской долине, заполненной зарослями тростника, типчаково‑осоковыми болотами, влажными лугами, низинными фениями, ивняками и прибрежными лесами. Многие участки труднодоступны или вовсе недоступны на земле, при этом растительность меняется по мере сокращения традиционного землепользования и понижения уровня воды. Чтобы отследить эти изменения, команда объединила полевые ботанические обследования с авиационным дистанционным зондированием на площади более 300 квадратных километров.

Самолеты, лазеры и множество цветов света

Летом 2020 года самолеты собрали три типа данных над парком. Гиперспектральные датчики фиксировали сотни очень узких спектральных полос от видимого до ближнего инфракрасного диапазона, улавливая тонкие различия в химическом составе листьев и влажности. Лидарный сканер посылал лазерные импульсы для измерения трехмерной структуры растительности, например высоты и сложности кроны. Камера с высоким разрешением в RGBN фиксировала привычные красный, зеленый, синий и ближний инфракрасный каналы с разрешением 10 сантиметров, по которым команда также рассчитала вегетационные индексы и тонкомасштабные текстурные характеристики, описывающие вариации оттенков пикселей в малых окрестностях. На земле ботаники нанесли на карту почти 2000 опорных площадей, различив 30 детализированных классов растительности — от открытой воды до конкретных сообществ болот и лесов.

Обучение компьютера распознавать растительные узоры

Затем ученые обучили модель машинного обучения (CatBoost) прогнозировать тип растительности для каждого квадратного метра, проверив четыре комбинации данных. Самая информативная совмещала гиперспектральные данные с LiDAR; вторая использовала только LiDAR; третья объединяла LiDAR с RGBN‑изображениями; а четвертая добавляла к этой RGBN‑LiDAR смеси текстурные слои. Путем многократного обучения и валидации модели на различных поднаборах полевых площадей они оценивали, как часто модель правильно определяет каждый класс. Они также сравнивали, насколько похожи полученные карты друг на друга и на существующую нарисованную от руки карту растительности парка, используя визуальную проверку и стандартный индекс перекрытия.

Что теряется и что приобретается без гиперспектральных данных

Комбинированный набор гиперспектральных данных и LiDAR однозначно показал лучший результат, правильно классифицируя около 82 процентов участков в целом и давая сильные результаты для многих сообществ, особенно лесов, тростниковых зарослей и ивняков. Использование только LiDAR снизило точность примерно до 63 процентов, что авторы считают слишком низким для принятия охранных решений. Замена гиперспектра RGBN‑изображениями заметно улучшила ситуацию по сравнению с одним LiDAR: точность поднялась до примерно 72–73 процентов, при этом добавление текстурных слоев дало лишь небольшое дополнительное улучшение. Для некоторых типов растительности — например, растений открытой воды, отдельных видов тростника и низинных фений — подход RGBN плюс текстура приблизился по результатам к гиперспектральным данным. Для других, особенно сообществ с высокими травами, некоторых осоковых болот и типов кустарников, утрата гиперспектральной детализации привела к заметному снижению надежности.

Видеть больше, чем показывают только полевые карты

При сопоставлении новых карт дистанционного зондирования с традиционной полевой картой растительности, используемой в управленческом плане парка, различия оказались впечатляющими. Авиационные данные выявили множество небольших, но экологически важных участков — например, луга на крошечных минеральных бугорках и фрагменты редкой фениевой растительности — которые полевая карта пропустила или обобщила в широкие единицы. Дистанционное зондирование также зафиксировало сложные мозаики, где разные болотные сообщества переплетаются по пойме. В то же время некоторые тонкозернистые типы степей, определенные ботаниками, оставались трудными для разделения только по изображениям, что подчеркивает постоянную ценность экспертной полевой работы.

Что это означает для охраны болот

Для менеджеров охраняемых водно‑болотных территорий исследование дает взвешенное послание. Если бюджет позволяет, сочетание гиперспектра и LiDAR обеспечивает самые точные сквозные карты и наилучшую поддержку детального управления местообитаниями. Однако там, где такие передовые съемки слишком дороги, объединение более доступных RGBN‑изображений с LiDAR по‑прежнему даёт полезные, достаточно точные карты для многих типов растительности, особенно при добавлении текстурных данных. Прежде всего, работа демонстрирует, что авиационное дистанционное зондирование — будь то топ‑уровневое или более скромное — значительно обогащает и дополняет традиционное полевое картирование, выявляя тонкую мозаичность болотной растительности, которая лежит в основе биоразнообразия и помогает принимать более продуманные решения по охране природы.

Цитирование: Jarocińska, A., Kopeć, D., Niedzielko, J. et al. Value of hyperspectral data for wall to wall wetland vegetation mapping in heterogeneous landscapes. Sci Rep 16, 13947 (2026). https://doi.org/10.1038/s41598-026-44275-0

Ключевые слова: картирование болот, дистанционное зондирование, гиперспектральная съемка, LiDAR, классификация растительности