(Normalized Difference Vegetation Index). Этот индекс стал наиболее распространенным в настоящее время. С развитием технологий ДЗЗ вегетационные индексы стали широко использоваться для анализа состояния растительного покрова и оценки продуктивности сельского хозяйства, лесного хозяйства, а также для мониторинга изменений климатических условий и экосистем. Понятие вегетационного индекса можно сформулировать следующим образом: Вегетационный индекс – численный показатель, который характеризует состояние растительного покрова. Он рассчитывается на основе информации, полученной с помощью спутников, летательных аппаратов или других средств дистанционного зондирования Земли (ДЗЗ). Он рассчитывается на основе информации, которая была получена с помощью спутников, летательных аппаратов и других средств дистанционного зондирования Земли. Основная идея в использовании вегетационных индексов, заключается в том, что при выполнении математических вычислений c различными спектральными диапазонами. Стоит отметить что все вегетационные индексы были получены преимущественно эмпирическим путем, а также то, что большинство индексов используют соотношение значений в красном и ближнем инфракрасном диапазонах [1].

ВИ имеют широкое применение в самых различных областях, области применения представлены на рис. 1. В области сельского хозяйства используются для оценки состояния растительности на полях, оценки урожайности, определения потребности в удобрениях. В области лесного хозяйства ВИ могут быть использованы для оценки состояния лесного покрова [2], определения запасов древесины, мониторинга лесных пожаров, мониторинга болезней леса и влияния вредителей. В области охраны окружающей среды ВИ используются при мониторинге загрязнений воздуха, определении зон экологического риска, контроле изменений климата. В геологии могут быть использованы при поиске залежей полезных ископаемых и оценки минеральных ресурсов. В геодезии могут быть использованы для создания карт высот и оценки неровностей поверхности [3]. В гидрологии могут находят применение при мониторинге уровня воды в реках, оценке качества водных ресурсов.

Рисунок 1. Области применения вегетационных индексов

Однако стоит отменить, что вегетационные индексы имеют более широкое применение при анализе поверхности с растительностью они более востребованы в областях сельского и лесного хозяйства.

ВИ можно классифицировать по множеству параметров в рамках данной статьи рассмотрим следующие типы классификаций: по типу анализируемой поверхности, по способу построения, по типу минимизирующего фактора, по применению. Схема, отражающая классификацию ВИ представлена на рис. 2.

Рисунок 2. Классификация вегетационных индексов

По типу поверхности, которая анализируется ВИ делятся на индексы, оценивающие состояние растительного покрова на суше (NDVI, EVI, SARVI) и индексы, относящиеся к водным объектам (водный индекс процессов, рассеянного света, отражения, их соотношений). По способу построения можно разделить на индексы, основанные на сравнении сигналов двух или нескольких каналов (например, NDVI) и основанные на нескольких каналах, при этом используются также радиометрические и геометрические корректировки (например, EVI). По применению можно разделить на индексы для оценки состояния растительности на отдельном участке (LAI, CI) и индексы для анализа динамики растительного покрова по времени (TVI, PRI). По типу минимизирующего эффекта можно разделить на индексы минимизирующие влияние почвы (SAVI) и индексы минимизирующие влияние атмосферы (ARVI) [4].
Далее будут рассмотрены подробно самые часто используемые вегетационные индексы.
Normalized Difference Vegetation Index (NDVI) – вегетационный индекс, определяющий наличие растительной массы на некотором участке на определенном участке поверхности земли [5]. NDVI описывает соотношение между инфракрасной и видимой энергией (красный канал), которую отражает поверхность Земли, для измерения плотности растительности. NDVI рассчитывается по следующей формуле:

 (1)

Где NIR это значение в ближнем инфракрасном диапазоне, а RED значение в красном канале. Данный индекс может принимать значения в диапазоне от -1 до 1. Значение, приближенные к -1 отражают несуществующую растительную массу, 0 – нулевое наличие растительности, а значения ближе к 1 указывают на высокую плотность растительности. Основные области применения: мониторинг и прогнозирование зеленой растительной массы на земле, оценка качества почвы, оценка урожая.
Далее будет рассмотрен EVI (Enhanced Vegetation Index) – это ВИ, который используется для оценки здоровья и плотности растительности, разработанный разработан для улучшения показателей, получаемых с помощью (NDVI). EVI учитывает влияние атмосферной коррекции, с помощью которой удаляются атмосферные частицы, что позволяет улучшить точность оценки плотности растительности.
EVI рассчитывается, используя данные в трех диапазонах световых длин волн: красный (RED), ближний инфракрасный (NIR) и синий (BLUE). Формула расчета EVI выглядит следующим образом [6]:

 (2)

EVI используется для мониторинга растительных поверхностей и для мониторинга важных агрокультурных видов, таких как пшеница, кукуруза и соя.
Далее будет рассмотрен Soil-Adjusted Vegetation Index (SAVI). Он является модификацией NDVI, но при этом учитывает влияние почвы является более точным для оценки зеленой растительной массы при наличии высокой влажности почвы или песчаной почвы. Он может быть рассчитан по формуле:

 (3)

где NIR - индекс ближней инфракрасной зоны, RED - красный индекс, L - постоянный параметр, который исключает выделение изображений (L > 0,5). Значения SAVI могут быть в диапазоне от -1 до 1. Значение 0 отражает нулевое наличие растительности, а значения ближе к 1 указывают на высокую плотность растительной массы. SAVI применяется для раннего обнаружения заболеваний растений, оценки качества почвы, планирования сельскохозяйственных угодий, для мониторинга экосистем и ресурсов, таких как водоемы, солнечные панели и заболоченные земли.
Далее будет рассмотрен Leaf Area Index (LAI) – это индекс, определяющий количество и плотность листьев на поверхности растительности. LAI может быть рассчитан как отношение общей поверхности листьев к площади земли под ними. LAI оценивается в диапазоне от 0 (отсутствие листовой поверхности) до 6-7 (в густых тропических лесах) и находится как отношение общей поверхности листьев к площади земли под ними. LAI показывает, насколько плотно растения покрывают землю [7]. Основные областями применения являются: моделирование фотосинтеза, гидрологических и биогеохимических циклов и других экологических процессов, а также мониторинг и планирование экосистем с целью оптимизации производства и управления ресурсами.
Таким образом в рамках данной статьи были рассмотрено понятие вегетационных индексов, их основные области применения, классификация, были рассмотрены некоторые часто применяемые на практике ВИ, такие как NDVI, EVI, SAVI, LAI.

Лесные пожары представляют серьёзную природную угрозу, наносящую ущерб экосистемам и населению. Республика Башкортостан, обладающая обширными лесными массивами, подвержена высокому риску возникновения пожаров, особенно в летние месяцы. В таких условиях возрастает значение оперативных и масштабируемых методов наблюдения.

Источники спутниковых данных

Традиционные способы мониторинга, включая наземные патрули и БПЛА, имеют ограничения по площади охвата. Спутниковые данные дистанционного зондирования Земли позволяют получать регулярную информацию о состоянии растительности и обнаруживать термические аномалии. Данные дистанционного зондирования, предоставляемые рядом спутниковых платформ, различаются по пространственному разрешению, частоте съёмки и спектральным характеристикам.

Для глобального мониторинга природных пожаров используются тепловые сенсоры, установленные на спутниках Terra, Aqua (датчики MODIS) и Suomi-NPP, NOAA-20 (датчики VIIRS). MODIS осуществляет съёмку с разрешением от 250 м до 1 км и обеспечивает почти ежедневное покрытие поверхности Земли благодаря сочетанию данных с двух спутников. Сенсор VIIRS, установленный на более современных спутниках, обеспечивает более высокое пространственное разрешение (375 м для тепловых каналов), что делает его особенно эффективным при обнаружении небольших очагов горения.

Платформа FIRMS и визуальные примеры

Оба сенсора позволяют фиксировать активные пожары за счёт инфракрасных каналов, чувствительных к температуре горения. На основе этих данных NASA формирует специализированные продукты, включающие координаты горячих пикселей, температуру яркостного излучения и радиационную мощность пожаров (FRP). Эти сведения доступны через платформу FIRMS (Fire Information for Resource Management System), предоставляющую оперативный доступ к архивам и текущим наблюдениям.

На рисунках 1 и 2 представлены примеры регистрации термических аномалий с помощью сенсоров MODIS и VIIRS в северо-восточном Китае [1]. Данные изображения иллюстрируют возможности спутниковой тепловой съёмки, поскольку актуальные термические снимки по территории Республики Башкортостан недоступны в открытом доступе.

Рисунок 1. Сельскохозяйственные пожары на северо-востоке Китая (MODIS)

Рисунок 2. Сельскохозяйственные пожары на северо-востоке Китая (VIIRS)

Возможности вегетационных индексов

Наряду с тепловыми наблюдениями, перспективным направлением анализа последствий пожаров является применение вегетационных индексов. Индекс NDVI (нормализованный разностный индекс растительности) позволяет оценивать степень «зелености» и выявлять зоны деградации растительного покрова. Индекс NBR (нормализованное отношение выгорания) специально предназначен для выделения выгоревших участков, реагируя на изменения в ближнем ИК-диапазоне и красном канале. Эти индексы используются в рамках проектов типа Harmonized Landsat-Sentinel (HLS), однако в рамках данной работы расчет индексов не применялся. Тем не менее, вегетационные индексы рассматриваются как перспективный инструмент дополнительного анализа последствий пожаров, поскольку они дают информацию о плотности растительности и степени её повреждения – важные параметры при оценке последствий лесных пожаров.

Использование Sentiel-2 в работе

В данной работе использовались данные спутника Sentinel-2, предоставляемые через платформу EO Browser [2]. Выбор был обусловлен их высокой детализацией (10-20 м), регулярной съёмкой (раз в 5 дней), наличием необходимых спектральных каналов (включая ближний ИК) и бесплатным доступом. В качестве альтернативы рассматривались Landsat (разрешение 30 м, съёмка раз в 16 дней), PlanetScope (до 3 м, ежедневная съёмка, но ограниченный доступ), а также коммерческий ресурс Pleiades (0,5 м, платный доступ). С точки зрения научной и учебной применимости, данные Sentinel-2 были признаны оптимальными.

Организация архива данных

Изображения Sentinel-2 охватывали летние месяцы – период максимальной пожарной опасности. Основными критериями отбора были: уровень облачности не более 20%, пространственное разрешение от 10 до 20 метров, а также наличие потенциальных признаков пожаров. Визуальная интерпретация снимков в данной работе не проводилась: основная задача заключалась в формировании организованного архива снимков для последующего анализа.

Снимки были выгружены в формате GeoTIFF и оформлены в виде базы данных в среде ArcMap. Каждое изображение снабжено атрибутами даты и координат. На рисунке 3 представлен фрагмент созданной базы, демонстрирующий структуру и примерную организацию спутниковых данных для мониторинга.

Рисунок 3. Фрагмент базы архивных спутниковых снимков в ArcMap

Практические результаты подтверждают, что открытые спутниковые данные Sentinel-2 могут эффективно использоваться для выявления потенциальных последствий природных пожаров. При дальнейшей автоматизации обработки и применении спектральных индексов можно будет повысить точность и воспроизводимость анализа, особенно при регулярном обновлении базы данных и расширении набора входных параметров.

Перспективы

В ближайшей перспективе особую значимость приобретает интеграция спутниковых данных с алгоритмами искусственного интеллекта. В частности, нейросетевые подходы, такие как сверточные и рекуррентные сети, демонстрируют высокую точность при автоматическом выявлении термических аномалий, дымовых шлейфов и других признаков пожаров. Использование таких методов уже реализуется в рамках отечественных и международных проектов, включая спутниковую платформу «Канопус-В-ИК» и платформу «Цифровая Земля». Эти технологии позволяют существенно сократить время реакции на чрезвычайные ситуации и повысить эффективность природоохранных мероприятий [3].

Заключение

Результаты проведённого анализа демонстрируют высокую информативность и применимость спутниковых данных дистанционного зондирования Земли для мониторинга лесных пожаров на территории Республики Башкортостан. Использование открытых источников, таких как Sentinel-2, позволяет оперативно формировать архив изображений и отслеживать потенциальные последствия природных возгораний. Несмотря на отсутствие визуальной интерпретации и расчётов индексов в рамках данной работы, заложенная структура базы данных даёт основу для последующего углублённого анализа.

Современные геоинформационные технологии, в сочетании с данными наблюдений из космоса, представляют собой важный инструмент в системе предупреждения и оценки последствий чрезвычайных ситуаций природного характера. Их внедрение в практику природоохранной деятельности требует дальнейшего совершенствования методик обработки, автоматизации процессов анализа и интеграции с интеллектуальными алгоритмами.