Исследование изменений городских зеленых насаждений с использованием данных Sentinel-2 в городе Тхайбинь, Вьетнам

Полный текст

Введение Поддержание и расширение городских зеленых насаждений в настоящее время становится серьезной проблемой в условиях стремительной урбанизации и все более серьезного воздействия изменений климата. Зеленые насаждения не только способствуют улучшению качества воздуха, снижению эффекта городского острова тепла, повышению биоразнообразия и защите общественного здоровья, но и рассматриваются как один из важнейших факторов, отражающих облик и уровень устойчивого развития каждого города. Вместе с тем расширение городской застройки, развитие сельского хозяйства и промышленности сопровождаются тенденцией сокращения естественных зеленых территорий, формируя дополнительную нагрузку на городскую среду и экосистемы [1-3]. Во Вьетнаме крупные города, такие как Ханой, Хошимин и Дананг, сталкиваются с серьезными трудностями в сохранении зеленых насаждений на фоне интенсивного социально-экономического развития. Город Тхайбинь, несмотря на принадлежность к категории средних и малых городов, также испытывает аналогичное давление. Настоящее исследование рассматривает зеленые насаждения в административных границах города Тхайбинь. Усиление процессов урбанизации и индустриализации здесь оказывает влияние на зеленые пространства, качество городской среды и здоровье населения. Несмотря на рост экологической осведомленности со стороны местных органов управления и жителей, мониторинг и управление зелеными насаждениями остаются ограниченными, в том числе из-за высокой стоимости традиционных методов наблюдений и трудностей планирования на обширных территориях [4-5]. Технологии дистанционного зондирования Земли и спутниковые данные, в частности данные с мультиспектрального прибора MSI спутника Sentinel-2, доказали свою эффективность для мониторинга и оценки состояния зеленых насаждений. Обладая преимуществами пространственного разрешения, многовременных данных и возможностями многоспектрального анализа, Sentinel-2 предоставляет детальную информацию о распределении и текущем состоянии растительного покрова, что позволяет выявлять тенденции его изменений в городской среде. При интерпретации временной динамики растительного покрова также учитываются возможные сезонные колебания вегетационных индексов. На этой основе проведено исследование в городе Тхайбинь с целью анализа динамики городских зеленых насаждений во времени, а также предоставления данных для пространственного планирования и разработки направлений устойчивого городского развития [7]. Исследование направлено на использование данных Sentinel-2 для выявления степени изменений зеленых насаждений в городе, сочетая количественные показатели и наглядные иллюстрации для уточнения тенденций трансформации, и предлагает рекомендации по сохранению и развитию городской зеленой инфраструктуры. Результаты исследования имеют значение не только для поддержки пространственного планирования, но и для повышения качества окружающей среды и здоровья населения в условиях глобального изменения климата. Цель исследования - выявление и количественная оценка изменений городских зеленых насаждений в городе Тхайбинь на основе мультиспектральных спутниковых данных Sentinel-2 за период 2020-2025 гг. Для достижения поставленной цели были сформулированы следующие задачи: • проанализировать динамику NDVI и пространственное перераспределение классов землепокрытия в пределах городской территории в 2020 и 2025 гг.; • оценить влияние процессов урбанизации на сокращение и трансформацию зеленых зон, включая выявление пространственных закономерностей утраты растительности; • сопоставить точность двух схем классификации (Sentinel-2 и Sentinel-2 + NDVI) и определить их применимость для мониторинга зеленых насаждений в условиях быстро меняющихся городских ландшафтов. Объект и методы исследования Район исследования и используемые данные Город Тхайбинь ранее являлся административным центром одноименной провинции. После принятия Резолюции № 60-NQ/TW в 2025 г. провинция Тхайбинь была объединена с провинцией Хынгйен, и в настоящее время город административно подчинен провинции Хынгйен. Тхайбинь расположен в дельте реки Хонг и занимает площадь около 67 км² (рис. 1). Его стратегическое положение обеспечивает транспортные связи с Ханоем, Хайфоном и Намдинем через сеть национальных автодорог № 10, 39, а также речные пути. Рельеф территории преимущественно равнинный, с плодородными аллювиальными почвами, благоприятными для ведения сельского хозяйства. Климат тропический муссонный, что способствует выращиванию риса и овощных культур и одновременно оказывает заметное влияние на образ жизни населения. Характерной чертой экосистемы являются обширные рисовые поля, перемежающиеся с районами аквакультуры вдоль реки Чалу. Однако процессы урбанизации и изменения климата приводят к сокращению площади сельскохозяйственных угодий, создавая серьезные вызовы для устойчивого развития города[28]. Рис. 1. Географическое положение города Тхайбинь Источник: составлено Т.Ф. Нгуеном с использованием программного обеспечения QGIS. Данные Sentinel-2 входят в состав программы Copernicus, реализуемой Европейским космическим агентством, и предоставляют спутниковые изображения высокого качества для широкого спектра исследований - от мониторинга состояния окружающей среды и сельского хозяйства до предотвращения стихийных бедствий и планирования городских территорий. Система включает два спутника: Sentinel-2A, запущенный в 2015 г., и Sentinel-2B, выведенный на орбиту в 2017 г. Оба спутника оснащены мультиспектральным прибором (MSI), который позволяет получать данные в 13 спектральных диапазонах с пространственным разрешением от 10 до 60 м при площади покрытия одной территории около 290 × 290 км. Благодаря короткому периоду повторн ого облета Sentinel-2 обеспечивает практически непрерывное получение данных во времени, что делает его эффективным инструментом для мониторинга состояния и динамики окружающей среды, включая анализ землепользования, растительного покрова, водных ресурсов и городских территорий, а также играет важную роль в оценке водных ресурсов и изучении процессов урбанизации. В настоящем исследовании анализ выполнялся строго в административных границах города Тхайбинь. Граница города была получена в виде векторного слоя (shapefile) из официальных административных данных и использовалась для обрезки (clip) спутниковых изображений Sentinel-2 на этапе предварительной обработки. Методы исследования Процесс анализа городских зеленых насаждений с использованием многовременных спутниковых снимков Sentinel-2 представлен на рис. 2. На первом этапе осуществляется выбор изображений, соответствующих району исследования, с обеспечением полного охвата территории и установлением временного интервала анализа по годам в зависимости от целей исследования. Для повышения качества анализа выбирались изображения с минимальной облачностью. Используемые данные были загружены и откорректированы с помощью плагинов Microsoft STAC API и Semi-Automatic Classification в программной среде QGIS, после чего выполнялась предварительная обработка, необходимая для последующих этапов анализа. Рис. 2. Формирование обучающих точек/областей (ROIs - Regions of Interest) Источник: составлено Т.Ф. Нгуеном с использованием программного обеспечения QGIS. Схема: Процесс создания тематических карт с использованием спутниковых снимков Sentinel-2 Начало → Выбор и проверка входных параметров: данные Sentinel-2 L2A - район исследования, период наблюдения, облачность → Предварительная обработка изображений → Расчет вегетационного индекса → Создание обучающих точек/областей (ROIs - Regions of Interest) → Выбор алгоритма классификации и проведение классификации объектов → Определение эталонной модели → Оценка точности → Завершение. Выбор и проверка входных параметров Для корректного анализа динамики растительного покрова были использованы спутниковые снимки Sentinel-2, отобранные за сходные сезонные периоды - 18.02.2020 и 20.03.2025. Снимки выбирались с учетом высокого качества и минимальной облачности, что обеспечивает точность последующих расчетов вегетационных индексов и процедуры классификации. Такой подход позволяет минимизировать сезонные колебания и надежность сопоставления значений NDVI, при этом выявленные различия интерпретируются как результат совокупного влияния урбанизационных процессов и природных факторов. Характеристики использованных спутниковых данных представлены в табл. 1. Таблица 1. Характеристики данных Sentinel-2, использованных для создания тематических карт в исследуемом городе Регион исследования Путь зоны Покрытие облаками, % Дата получения ID сцены/продукта Тхайбинь T48QXH 4.92 18.02.2020 S2A_MSIL2A_20200218T032811_R018_ T48QXH_20200929T182117 T48QXH 9.1 20.03.2025 S2C_MSIL2A_20250320T031541_R118_ T48QXH_20250320T090115 Источник: составлено Т.Ф. Нгуеном. Методика расчета NDVI Индекс NDVI определяется на основе различий спектрального отражения растительности в красном и ближнем инфракрасном диапазонах. Формула имеет вид B8 - B4 NDVI = , B8 + B4 где B8 (NIR) и B4 (RED) - значения спектрального отражения в ближнем инфракрасном и красном каналах спутникового изображения соответственно (для спутников Sentinel-2 это каналы 8 и 4). [2; 6] Значения NDVI изменяются в диапазоне от -1 до 1. Низкие значения NDVI указывают на участки с малым растительным покровом; высокие значения NDVI соответствуют территориям с густой растительностью; отрицательные значения отражают влажные почвы и водные поверхности. Индекс NDVI широко используется для оценки состояния растительности, управления водными ресурсами, классификации зеленых насаждений и мониторинга процессов урбанизации. Он предоставляет надежную информацию, необходимую для устойчивого планирования и эффективного экологического мониторинга [2; 8-10]. На основе данных Sentinel-2 и индекса NDVI была построена аналитическая модель: • использование только каналов Sentinel-2; • использование Sentinel-2 в сочетании с NDVI. Обучающая выборка формировалась по району исследования и содержала четыре основных класса землепокрытия: водные объекты, растительность, урбанизированные территории и открытые земли. Класс «растительность» включал плотные лесные массивы, сельскохозяйственные угодья и кустарники; класс «нерастительность» охватывал застроенные территории и открытые почвы; класс «водные объекты» включал реки, озера, пруды и акватории, что обеспечивало обучение и валидацию классификационной модели. Для оценки точности использовался независимый набор контрольных точек, не участвовавших в обучении модели, с последующим построением матриц ошибок и расчетом показателей общей и поклассовой точности. В исследовании применялся алгоритм машинного обучения Random Forest (RF) в сочетании с методом объектно-ориентированной классификации для обеспечения высокой точности выделения классов землепокрытия. На этапе сегментации использовался алгоритм SNIC, позволяющий группировать пиксели в объекты, что снижает погрешности и повышает соответствие реальной пространственной структуре [11]. Результаты классификации оценивались по показателям общей точности (OA) и коэффициенту Каппа. Для последующего анализа был выбран наилучший вариант модели. Класс «растительность» интерпретировался как городские зеленые насаждения, остальные классы относились к другим типам объектов. На основе полученных данных были рассчитаны общая площадь и доля зеленых насаждений в разные временные периоды, что позволило выявить тенденции изменений и динамику развития городских зеленых пространств. Результаты исследования и обсуждение Результаты предварительной обработки и индекс растительности NDVI Данные Sentinel-2 (L2A) за 2020 и 2025 гг. (рис. 3 и 4 соответственно) были подвергнуты атмосферной коррекции, обрезке по административным границам города Тхайбинь и объединены в набор спектральных каналов для последующего анализа. На всех этапах анализа использовались только пиксели, попадающие в границы города. После этапа предварительной обработки карта поверхностного отражения выявила четкие различия между центральной частью города и пригородными районами: жилые кварталы характеризуются высоким отражением в красном и ближнем инфракрасном диапазонах, тогда как зеленые массивы демонстрируют типичные значения отражения в ближнем инфракрасном канале (NIR). На основе выбранных спектральных каналов был рассчитан индекс NDVI, отражающий степень покрытия и состояние растительного покрова. Результаты показали, что в 2020 г. значения NDVI в пределах городской территории варьировались от -0,284341 до 0,770541 (рис. 3). Зеленые насаждения имели мозаичное распределение, формируя отдельные кластеры, преимущественно вдоль речных долин и на сельскохозяйственных землях. К 2025 г. диапазон значений NDVI сократился до интервала от -0,105477 до 0,530818 (рис. 4), что свидетельствует о тенденции снижения как площади, так и качества растительного покрова. Рис. 3. Спутниковое изображение Sentinel-2 исследуемого района, полученное 18.02.2020, и рассчитанные индексы растительности. Рис. 4. Спутниковое изображение Sentinel-2 исследуемого района, полученное 20.03.2025, и рассчитанные индексы растительности. Таблица 2. Площадь и изменения площади объектов с индексом NDVI в 2020 и 2025 гг. Значение 2020 Площадь, га 2025 Площадь, га NDVI < 0,4 5123,39 5592,16 NDVI > 0,4 1687,71 1218,94 Источник: составлено Т.Ф. Нгуеном. Площадь с NDVI > 0,4 (условно «плотная растительность») в 2020 г. составила 1687,71 га, а к 2025 г. сократилась до 1218,94 га (табл. 2), что свидетельствует о значительном сокращении зеленых насаждений. Важно отметить, что снижение этой площади не означает исчезновение растительности, а скорее ее фрагментацию и снижение плотности, что связано с продолжающимся процессом урбанизации, строительством новых объектов инфраструктуры и развитием земель. В тропическом климате многие типы растительности, такие как газоны, деревья вдоль улиц, а также сельскохозяйственные участки, часто имеют значения NDVI в диапазоне от 0,20 до 0,38, особенно в сезоны с повышенной влажностью или при антропогенном стрессе. Следовательно, снижение площади с NDVI > 0,4 отражает изменения в структуре растительности и указывает не на полное исчезновение зеленых территорий, а скорее на их ослабление в плотности и площади. Дополнительно снижение максимальных значений NDVI до 0,53 в 2025 г. полностью соответствует тенденциям для быстро урбанизирующихся территорий, что свидетельствует о снижении биомассы или повышении антропогенной нагрузки. Это подтверждается на примере центральной части города и вдоль крупных магистралей, где произошла интенсивная застройка и преобразование земель. Пространственные изменения растительности особенно заметны в зонах с высокой урбанизацией. Снижение доли территорий с NDVI > 0,4 указывает на уменьшение крупных зеленых массивов, расширение смешанных зон, где растительность соседствует с застройкой, а также сокращение участков с высокой биомассой в результате строительства, развития дорожной инфраструктуры и увеличения плотности застройки. Карта NDVI, представленная в исследовании, ясно демонстрирует процесс преобразования зеленых территорий в урбанизированные зоны и формирования новых жилых массивов. Эти изменения особенно выражены в центральной части города и вдоль ключевых транспортных коридоров, что предоставляет количественные доказательства сокращения зеленых насаждений в период с 2020 по 2025 г. Результаты классификации с использованием алгоритма Random Forest Для оценки точности классификации была использована независимая выборка из 100 контрольных точек, отобранных методом случайной стратифицированной выборки. В целях обеспечения сопоставимости результатов и исключения смещения между классами землепокрытия для каждого класса (вода, растительность, застроенные территории и открытые земли) было выбрано по 25 точек. Контрольные точки формировались на основе визуальной интерпретации спутниковых изображений Sentinel-2 высокого пространственного разрешения и вспомогательных картографических данных. На основе полученной выборки были построены матрицы ошибок и рассчитаны стандартные показатели точности классификации, включая общую точность (Overall Accuracy, OA), коэффициент Каппа, а также метрики по отдельным классам (User’s Accuracy и Producer’s Accuracy (табл. 3)). Такой подход широко применяется в исследованиях по дистанционному зондированию и обеспечивает надежную и воспроизводимую оценку качества классификации. а б Рис. 5. Результаты объектно-ориентированной классификации по сценариям применения алгоритма RF за 2020 г.: a - только каналы Sentinel-2; б - каналы Sentinel-2 и NDVI Источник: составлено Т.Ф. Нгуеном. а б Рис. 6. Результаты объектно-ориентированной классификации по сценариям применения алгоритма RF за 2025 г.: a - только каналы Sentinel-2; б - каналы Sentinel-2 и NDVI Источник: составлено Т.Ф. Нгуеном. В сценарии классификации с использованием только спектральных каналов Sentinel-2 общая точность (Overall Accuracy, OA) составила 0,95 в 2020 г. и 0,89 в 2025 г., при коэффициенте Каппа 0,933 и 0,853 соответственно. Полученные значения свидетельствуют о высокой достоверности классификации и подтверждают пригодность данных Sentinel-2 для анализа структуры землепокрытия в городских условиях. При интеграции индекса NDVI в набор входных признаков модели Random Forest наблюдается дополнительное улучшение показателей точности. В 2020 г. значение OA увеличилось с 0,95 до 0,96, а коэффициент Каппа - с 0,933 до 0,9467 (рис. 5). В 2025 г. значение OA увеличилось с 0,89 до 0,9, а коэффициент Каппа - с 0,8533 до 0,8667 (рис. 6), что указывает на более устойчивое согласие между классифицированными и эталонными данными по сравнению со сценарием без NDVI. Улучшение метрик точности при использовании NDVI связано с повышением способности модели различать классы с близкими спектральными характеристиками, прежде всего между зелеными насаждениями, открытыми землями и застроенными территориями. Это подтверждается уменьшением числа ошибок смешения в соответствующих классах в матрицах ошибок для обоих исследуемых лет. Таким образом, интеграция индекса NDVI в набор входных данных для Random Forest не только повышает общую точность классификации, но и обеспечивает стабильность модели на протяжении разных лет. Эти результаты являются научным доказательством того, что NDVI представляет собой ключевой показатель, который необходимо включать в исследования по мониторингу изменений городских зеленых насаждений с использованием данных дистанционного зондирования. Таблица 3. Матрицы ошибок и показатели точности классификации (oA и коэффициент Каппа) для различных сценариев и годов Только каналы Sentinel-2 2020 Классификация 1 2 3 4 Итого oA Kappa 1 21 1 0 3 25 0.95 0.9333 2 0 25 0 0 25 3 0 0 24 1 25 4 0 0 0 25 25 Итого 21 26 24 29 100 2025 Классификация 1 2 3 4 Итого 0.89 0.8533 1 22 0 1 2 25 2 0 20 1 4 25 3 0 0 23 2 25 4 0 1 0 24 25 Итого 22 21 25 32 100 Каналы Sentinel-2 и индекс NDVI 2020 Классификация 1 2 3 4 Итого 0.96 0.9467 1 23 1 0 1 25 2 0 24 1 0 25 3 0 0 24 1 25 4 0 0 0 25 25 Итого 23 25 25 27 100 2025 Классификация 1 2 3 4 Итого 0.9 0.8667 1 24 0 0 1 25 2 0 21 0 4 25 3 0 0 23 2 25 4 1 2 0 22 25 Итого 25 23 23 29 100 Примечание: 1 - вода; 2 - растительность; 3 - застроенные территории; 4 - открытые земли. Источник: составлено Т.Ф. Нгуеном. Динамика площади классов землепокрытия Результаты статистической оценки площадей классов землепокрытия, представленные в табл. 4, свидетельствуют о заметных изменениях в структуре землепользования города Тхайбинь в период 2020-2025 гг., при этом характер и направление этих изменений различаются в зависимости от используемой схемы классификации. При использовании только спектральных каналов Sentinel-2 площадь водных объектов увеличилась с 201,24 га в 2020 г. до 229,32 га в 2025 г. (+28,08 га). В то же время при интеграции индекса NDVI наблюдается незначительное сокращение водной поверхности - с 214,80 га до 207,55 га (-7,25 га). Данное различие обусловлено более точным разделением открытой воды и прибрежных территорий, частично покрытых водной растительностью или имеющих смешанные спектральные характеристики, что подтверждает корректирующую роль NDVI при классификации гидрологических объектов. Таблица 4. Площадь и доля площади объектов землепокрытия в 2020 и 2025 гг. Объект Использование каналов Sentinel-2 Использование Sentinel-2 и NDVI 2020, га 2025, га Изменение 2020, га 2025, га Изменение Вода 201,24 229,32 +28,08 214,8 207,55 -7,25 Растительность 1940,76 1466,64 -474,12 1685,15 1557,2 -127,95 Урбанизированные территории 2421,36 2382,12 -39,24 2925,76 2477,49 -448,27 Открытые земли 2245,32 2730,6 +485,28 1985,35 2568,79 583,44 Источник: составлено Т.Ф. Нгуеном. Для растительного покрова обе методики выявляют устойчивую тенденцию к сокращению площади, однако степень снижения существенно различается. В сценарии с использованием только каналов Sentinel-2 площадь растительности уменьшилась на 474,12 га (с 1940,76 га до 1466,64 га). При добавлении NDVI сокращение оказалось менее выраженным - 127,95 га (с 1685,15 га до 1557,20 га), что указывает на более взвешенную оценку состояния зеленых территорий. Это подтверждает, что при отсутствии NDVI часть разреженной растительности и сельскохозяйственных угодий может быть ошибочно отнесена к другим классам землепокрытия. Анализ урбанизированных территорий показывает разнонаправленные результаты двух сценариев. При классификации только по каналам Sentinel-2 площадь застроенных территорий незначительно сократилась (-39,24 га), в то время как при использовании Sentinel-2 совместно с NDVI зафиксировано существенное уменьшение площади урбанизированных зон - на 448,31 га. Такое расхождение объясняется более строгим отделением плотной застройки от открытых земель и переходных зон, что снижает эффект спектрального смешения и подчеркивает повышенную надежность комбинированного подхода. Площадь открытых земель увеличилась в обоих сценариях: на 485,28 га при использовании только Sentinel-2 и на 583,44 га при применении Sentinel-2 с NDVI (рис. 7). Данный рост отражает трансформацию части сельскохозяйственных и зеленых территорий в участки с пониженной плотностью растительного покрова, а также формирование временных и переходных пространств в процессе урбанизационного развития. Классификация Sentinel-2 + NDVI демонстрирует хорошую согласованность с результатами других исследований, посвященных динамике зеленых зон в районах с интенсивной урбанизацией как во Вьетнаме, так и в Азии в целом. В частности, исследования Le et al. в провинции Тханьхоа и Phuong et al. в прибрежных регионах также фиксируют сокращение растительности, наиболее выраженное в пригородных зонах и вдоль основных транспортных магистралей [5; 7]. Аналогичные тенденции выявлены в работах Liyaqat et al. и Ali et al., где отмечено уменьшение растительного покрова в быстро развивающихся городах Азии [16; 17]. Полученные в Тхайбине данные подтверждают эти выводы: происходит активное преобразование сельскохозяйственных территорий и зеленых зон в участки застройки, что приводит к фрагментации растительного покрова и увеличению площади открытых земель. Рис. 7. Карта изменений землепокрытия города Тхайбинь в 2020-2025 гг., полученная на основе объектно-ориентированной классификации данных Sentinel-2 с использованием индекса NDVI и алгоритма Random Forest. Источник: составлено Т.Ф. Нгуеном. Пространственная структура изменений растительности в городе имеет следующие особенности: • пригородная зона: ранее крупные массивы зелени становятся фрагментированными вследствие расширения жилых районов; • основные транспортные коридоры: наблюдается появление продольных полос открытых земель, отражающих модернизацию дорожной инфраструктуры; • прибрежные и рекреационные зоны: снижение NDVI предполагает влияние изменений гидрологического режима, преобразования землепользования или роста антропогенной нагрузки; • центр города: высокая степень застройки приводит к сокращению малых и изолированных зеленых участков. Таким образом, использование NDVI совместно с данными Sentinel-2 не только улучшает точность количественной оценки, но и позволяет более четко выявлять пространственные закономерности деградации растительного покрова. Полученные результаты согласуются с международными исследованиями и подтверждают применимость данной методики для мониторинга динамики землепокрытия в условиях ускоренной урбанизации. Заключение В настоящем исследовании на основе данных спутников Sentinel-2 в сочетании с объектно-ориентированным подходом и алгоритмом Random Forest был выполнен анализ изменений городских зеленых насаждений в городе Тхайбинь в период 2020-2025 гг. Для минимизации сезонного влияния были подобраны снимки, относящиеся к сопоставимым временным интервалам, что позволило повысить надежность межгодового сравнения. Результаты оценки точности классификации показали, что при использовании только спектральных каналов Sentinel-2 общая точность (OA) составила 95 % при коэффициенте Каппа 0,9333 в 2020 г. и 89 % при Каппа 0,8533 в 2025 г. Интеграция индекса NDVI привела к повышению и стабилизации качества классификации: значения OA достигли 96 и 90 %, а коэффициента Каппа - 0,9467 и 0,8667 соответственно. Это подтверждает, что включение NDVI способствует более корректному разграничению классов с близкими спектральными характеристиками, прежде всего между растительностью, открытыми землями и застроенными территориями. Анализ динамики землепокрытия выявил тенденцию к сокращению площадей растительного покрова в 2020-2025 гг., сопровождающуюся увеличением площадей открытых земель и изменением конфигурации урбанизированных территорий. При этом сценарий Sentinel-2 + NDVI продемонстрировал более сдержанные и реалистичные оценки изменений. Зафиксированные изменения отражают процессы трансформации землепользования и усиливающееся антропогенное воздействие, однако полученные результаты интерпретируются с учетом возможного влияния сезонных и природных факторов. В целом проведенное исследование обеспечивает целостное представление о пространственно-структурных изменениях городской среды Тхайбиня и подтверждает эффективность комбинированного использования данных Sentinel-2 и индекса NDVI для мониторинга динамики зеленой инфраструктуры. Полученные выводы могут служить научно обоснованной информационной основой для органов управления и специалистов в области территориального планирования при разработке стратегий сохранения зеленых насаждений и устойчивого развития города.

Об авторах

Тхань Фонг Нгуен

Российский университет дружбы народов

Автор, ответственный за переписку.
Email: thanhphong.dhtt@gmail.com
ORCID iD: 0009-0005-7371-173X

аспирант, Институт экологии

Российская Федерация, 117198, Москва, ул. Миклухо-Маклая, д. 6

Елена Александровна Парахина

Российский университет дружбы народов

Email: parakhina-ea@rudn.ru
ORCID iD: 0000-0002-2865-0780

кандидат биологических наук, доцент департамента рационального природопользования, Институт экологии

Российская Федерация, 117198, Москва, ул. Миклухо-Маклая, д. 6

Список литературы

Дополнительные файлы