Оценка разделимости классов растительности Саяно-Шушенского заповедника по разновременным снимкам Sentinel-2

Спутниковые изображения широко используются для решения задач картографирования и мониторинга растительного покрова, но существует проблема в распознавании объектов растительности в условиях пространственно-временной изменчивости их спектрально-отражательных характеристик.
Целью работы является формирование обучающей выборки и определение оптимальных признаков для последующей классификации спутниковых изображений на горную территорию.
Для достижения поставленной цели были определены следующие задачи:
1. выбор разновременных спутниковых изображений с использованием облачной платформы Google Earth Engine;
2. создание масок нелесных земель;
3. формирование обучающей выборки для последующей классификации спутниковых изображений;
4. определение оптимальных каналов для классификации изображений;
Объектом исследования является растительность государственного природного биосферного заповедника «Саяно-Шушенский» (51° 46' – 52° 37' с.ш., 91° 04' – 92° 26' в.д.), расположенного в центральной части Западного Саяна и Алтае-Саянской горной страны. Рельеф — горный, максимальные точки поднятий находятся на осевой части Саянского хребта (2735 м над уровнем моря), минимальные высоты наблюдаются на берегах водохранилища Саяно-Шушенской ГЭС (500 - 540 м над уровнем моря). Площадь заповедника 390 368 га.
На территорию исследования были отобраны четыре безоблачные спутниковые сцены Sentinel-2, полученные в разные фенологические периоды (летние — 18.06.2025, 18.06.2026 и раннеосенние — 16.09.2025, 09.09.2026) за 2025-2026 гг. с помощью облачной платформы Google Earth Engine.
Обработка и анализ данных осуществлялись с использованием программного пакета ArcGIS Pro 3.1.0 и языка программирования Python.
Поскольку значительная часть территории заповедника представлена нелесными объектами, перед проведением классификации было выполнено маскирование. С помощью метода неуправляемой классификации ISODATA по летнему снимку за 18.06.2026 были выделены водные объекты, скальные выходы, а также травянистая и кустарниковая растительность. Отдельно по летним снимкам за последние 4 года были выделены свежие участки гарей. Общая площадь исключённых из последующего анализа нелесных территорий составила около 60 тыс. га (15% площади заповедника), а площадь гарей — 1 335 га.
Для данного исследования были выбраны два тестовых участка, расположенных на северном и южном макросклонах заповедника, отличающиеся наибольшим разнообразием растительного покрова. Участок №1 — темнохвойно-таёжные среднегорья влажных и тёплых условий местопроизрастания (абсолютные высоты 620-1650 м, средняя высота 1185±200 м над уровнем моря, крутизна 0-49°, средняя крутизна — 25±8°, площадь 48 909 га). Участок № 2 — светлохвойно-таёжные среднегорья умеренно-влажных и контрастных условий местопроизрастания (абсолютные высоты 1043-1765 м, средняя высота 1410±120 м над уровнем моря, крутизна 0-43°, средняя крутизна — 21±8°, площадь 88 711 га).
Для формирования обучающих выборок были использованы следующие данные: разносезонные снимки Sentinel-2 (18.06.2025, 16.09.2025 и 09.09.2026), мозаика спутниковых изображений сверхвысокого пространственного разрешения с платформы Google Earth, лесоустроительные материалы (2015 г), литературные и полевые данные.
Лесоустроительные данные содержали сведения о преобладающей породе, бонитете, типе леса, ярусе главной породы и др. На основе анализа этих данных были определены основные лесообразующие породы: кедр, лиственница, пихта, ель, сосна, берёза и осина. В выборку для обучения классификатора были отобраны лесоустроительные выделы, у которых коэффициент состава был более 7 единиц, а полнота насаждения более 0,6.
В процессе создания обучающих выборок было установлено, что осенние спутниковые изображения (первая половина сентября) наиболее эффективны для распознавания разных типов растительного покрова. Однако низкое положение солнца в это время года приводит к появлению выраженных теней на северных склонах, что потребовало введения дополнительного класса «затенённые склоны». Альтернативой могли бы служить весенние снимки (конец мая — начало июня), но их использование ограничено наличием остаточного снежного покрова в лесной зоне.
В результате исследований для участка №1 (северный макросклон) было определено 4 класса: кедр, лиственница, травянистая растительность (не полностью удалённая в процессе маскирования), затенённые склоны, для участка №2 (южный макросклон) 9 классов: кедр, лиственница, редколесья, лиственные 1, лиственные 2, кустарниковая растительность, травянистая растительность 1, травянистая растительность 2, затенённые склоны.
Анализ разделимости классов осуществлялся по трём снимкам Sentinel-2, каждый из которых содержал по 10 спектральных каналов: Blue (490 нм), Green (560), Red (665), Red Edge 1 (705), Red Edge 2 (740), Red Edge 3 (783), NIR (842), Red Edge 4 (865), SWIR 1 (1610), SWIR 2 (2190). Все снимки были приведены к единому пространственному разрешению 20 м.
Использование всех 30 спектральных каналов для классификации избыточно и может привести к снижению точности из-за накопления шума. Для оптимизации набора данных было проведено ранжирование наиболее информативных каналов с использованием расстояния Джеффриса-Матуситы (Jeffries-Matusita, JM). Данная метрика основана на оценке разделимости классов по степени перекрытия их спектральных распределений. Значения JM варьируют от 0 (классы полностью неразличимы) до √2 ≈ 1,414 (идеальная разделимость).
Для оценки информативности и выбора спектральных каналов было проведено попарное вычисление расстояния Джеффриса-Матуситы (JM) для всех классов по всем 30 каналам. Также было рассчитано среднее значение расстояния JM по 30 каналам.
На основе значений разделимости классов по расстоянию JM установлено, что наилучшая разделимость классов достигается по осенним снимкам. Наиболее информативными признаны зелёный, голубой и коротковолновые инфракрасные (SWIR) каналы, тогда как каналы RedEdge (1-4) и ближний инфракрасный (NIR) показали наименьшую разделимость классов.
Анализ зависимости среднего расстояния JM от количества каналов показал, что для северного макросклона (участок №1) разделимость классов достигает насыщения уже при трёх каналах (JM ≈ 1,12), дальнейшее добавление каналов не улучшает результат. Для южного макросклона (участок №2) наблюдается обратный эффект: максимальная разделимость классов достигается при небольшом наборе каналов (JM ≈ 1,09 для одного канала и 1,05 для трёх), а при использовании 15 каналов, JM снижается до 0,97, что указывает на накопление шума от избыточных признаков.
Оптимальным для обоих макросклонов признан набор из 6 каналов с наибольшими средними значениями разделимости: Blue и Green (16.09.2025), SWIR1 и SWIR2 (09.09.2026), Blue (18.06.2025). Поскольку зон больше, чем 20, данный набор каналов был определён для унификации методологии и обеспечения сопоставимости полученных результатов.
Для оценки разделимости классов по набору из 6 наиболее информативных каналов были рассчитаны средние расстояния Джеффриса-Матуситы. На участке №1 все классы характеризуются хорошей разделимостью (JM ≥ 1,05), при этом наиболее чётко выделяются классы, соответствующие травянистой растительности и затенённым склонам. На участке №2 показатели JM распределены неравномерно и варьируют от 0,88 до 1,24: высокие значения JM зафиксированы для кедровых лесов и редколесий и затенённых склонов. В то же время значения JM < 1,0 для травянистой и кустарниковой растительности, а также лиственных пород с ранним пожелтением листьев указывают на их спектральную близость, что требует укрупнения этих классов или их дополнительной стратификации.
Таким образом, наиболее информативными для разделения классов растительности в Саяно-Шушенском заповеднике оказались осенние снимки, из каналов — синий, зелёный, коротковолновые инфракрасные (SWIR1, SWIR2), тогда как каналы RedEdge и ближний инфракрасный при их использовании даже снижали разделимость.
Проблема с затенёнными склонами может быть решена либо посредством ручной разметки, либо с помощью классификации исключительно этих зон по космическим снимкам за июнь-июль месяца.

Благодарности. Исследование выполнено за счёт гранта Российского Научного Фонда № 26-27-20076 https://rscf.ru/project/26-27-20076 и за счёт целевого финансирования Красноярского краевого фонда науки № 169 «ГИС-картографирование на основе эколого-генетической классификации растительного покрова территории Саяно-Шушенского природного биосферного заповедника».