Мониторинг признаков деградации многолетней мерзлоты на сельскохозяйственных землях Якутии с использованием спутниковых данных и машинного обучения

Многолетняя мерзлота является одним из ключевых природных факторов, определяющих устойчивость агроландшафтов Центральной и Южной Якутии. Её деградация может сопровождаться проседанием грунта, возникновением термокарстовых форм, перераспределением поверхностных и почвенных вод, переувлажнением земель, а также изменениями в структуре растительного покрова. Такие преобразования способны ограничивать хозяйственное использование угодий и повышать уязвимость транспортной и инженерной инфраструктуры. Поскольку наземные наблюдения имеют локальный характер, особое значение приобретают методы спутникового мониторинга, позволяющие выделять территории для последующей приоритетной полевой диагностики.

Цель исследования — сформировать методический подход, объединяющий многовременные спутниковые наблюдения и машинное обучение для выделения и ранжирования сельскохозяйственных участков по выраженности дистанционных индикаторов, потенциально связанных с деградацией многолетнемёрзлых грунтов. Исследование охватывало агроландшафты Амгинского района, прилегающие к с. Амга, и Жиганского района вблизи п. Юнкор Республики Саха (Якутия).

В качестве исходных материалов использованы мультиспектральные снимки КА «Канопус-В» уровня обработки L2 за 2018–2025 гг., кадастровые контуры земельных участков и цифровая модель рельефа. Для обработки отобраны 16 сцен с низкой облачностью, преимущественно полученных в период максимального развития растительности. Из кадастровой базы исключались участки, не относящиеся к сельскохозяйственному использованию; в рабочий набор вошли пашни, пастбища, сенокосы и полевые земли. Учёт реальной зоны съёмки при пространственном пересечении данных позволил сформировать массив из 188 участков, включая 136 участков в районе Амги и 52 — в районе Юнкора. Временное объединение наблюдений обеспечило 920 записей формата «земельный участок–год».

Для каждого года создавались медианные композиты, уменьшающие влияние единичных аномальных пикселей и локальных искажений. Из спутниковых данных извлекались показатели растительности и увлажнения NDVI, NDWI и OSAVI, спектральные характеристики, а также текстурные параметры, отражающие неоднородность земной поверхности. По цифровой модели рельефа вычислялись уклон, кривизна, топографический индекс положения и шероховатость. В отдельную группу были включены показатели межгодовой изменчивости: сдвиги спектральных индексов, динамика площади водного покрытия, нарушенной поверхности и текстурных аномалий. Все признаки обобщались статистически в пределах кадастровых границ.

Для первичной пространственной оценки был сформирован комплексный индекс риска. Он объединял сведения о динамике увлажнения, изменении растительного покрова, выраженности текстурных нарушений, неустойчивости показателей во времени и рельефной обусловленности. Участки, соответствующие верхним 10% значений индекса в пределах конкретных территории и года, рассматривались как зоны повышенного относительного внимания. Следовательно, индекс характеризует не подтверждённую площадь термокарста, а степень выраженности совокупности дистанционных признаков.

Из-за отсутствия достаточной независимой полевой разметки обучение моделей проводилось в режиме слабого контроля. Положительный класс формировался при сочетании нескольких диагностических сигналов, включая наличие направленных межгодовых изменений. К отрицательному классу относили участки с устойчивыми характеристиками и малыми значениями комплексного риска. Из 920 пространственно-временных наблюдений в обучающий массив вошли 172 положительных и 108 отрицательных примеров; неуверенно классифицируемые записи не включались в целевую выборку. Структура данных анализировалась методом HDBSCAN, а прогнозирование выполнялось с помощью логистической регрессии, CatBoost и ансамбля, основанного на усреднении вероятностных оценок этих моделей.

Проверка на последнем временном срезе показала, что лучший результат обеспечил ансамблевый вариант: ROC-AUC достиг 0,866, Brier score составил 0,151. Наиболее весомыми переменными CatBoost стали двухвременная характеристика водного покрытия, доля текстурно аномальных областей и межгодовое изменение площади нарушенной поверхности. Результаты показывают, что информативность дистанционного мониторинга повышается при совместном учёте состояния растительности, увлажнения, пространственной неоднородности и их динамики, а не при опоре на отдельный спектральный индекс.