ПРОСТРАНСТВЕННАЯ ОЦЕНКА ВОЗДЕЙСТВИЯ ГОРНОГО ХОЗЯЙСТВА НА РАСТИТЕЛЬНЫЙ ПОКРОВ НА ОСНОВЕ СПУТНИКОВЫХ ДАННЫХ И МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ : научное издание
Библиографическое описание:ПРОСТРАНСТВЕННАЯ ОЦЕНКА ВОЗДЕЙСТВИЯ ГОРНОГО ХОЗЯЙСТВА НА РАСТИТЕЛЬНЫЙ ПОКРОВ НА ОСНОВЕ СПУТНИКОВЫХ ДАННЫХ И МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ : научное издание / С. О. Курашкин, М. К. Джикия, Л. В. Красовская, К. А. Джикия. - Текст : непосредственный // Известия Тульского государственного университета. Науки о Земле. - 2025. - № 4. - С. 113-119. - ISSN 2218-5194.
Аннотация:Рассматриваются результаты пространственной оценки воздействия горного хозяйства на состояние растительного покрова с использованием спутниковых данных и методов машинного обучения. На основе анализа спектральных индексов сформирован многомерный геопространственный массив данных, охватывающий территорию площадью около 145 км<sup>2</sup>. Применение алгоритмов кластеризации позволило выделить зоны с различной степенью техногенной нарушенности и количественно оценить их долю в общей структуре землепользования. Показано, что наибольшее снижение значений NDVI приурочено к участкам, расположенным вблизи горнопромышленных объектов, при этом радиус наиболее интенсивного воздействия достигает 800-1000 м. Полученные оценки сопоставимы с данными регионального экологического мониторинга и подтверждают эффективность использования дистанционных методов для анализа состояния экосистем на локальном уровне.
The paper presents the results of a spatial assessment of mining impacts on vegetation cover using satellite data and machine learning techniques. A multidimensional geospatial dataset covering an area of approximately 145 km<sup>2</sup> was formed based on the analysis of spectral indices. The application of clustering algorithms made it possible to identify zones with different degrees of technogenic disturbance and to quantify their spatial extent. The strongest decrease in NDVI values was observed in areas located close to mining facilities, with the radius of the most intensive impact reaching 800-1000 m. The obtained estimates are consistent with regional environmental monitoring data and demonstrate the effectiveness of remote sensing and unsupervised machine learning methods for local-scale ecosystem disturbance assessment.
