Оцінка військових впливів на природоохоронні території України за допомогою Sentinel-1 та машинного навчання
Анотація
Мета. Оцінити військові впливи на природоохоронні території України за допомогою даних Radar Vegetation Index (RVI) Sentinel-1 та методів машинного навчання з метою виявлення просторових і часових закономірностей порушення рослинності та трансформації екосистем в умовах воєнного часу.
Методи. Просторові та часові зміни аналізувалися із застосуванням методів дистанційного зондування Землі у поєднанні з методами машинного навчання, зокрема алгоритмами неконтрольованої класифікації для виявлення закономірностей порушення рослинності та трансформації екосистем. Додатково застосовано порівняльний аналіз і аналіз часових рядів для оцінки впливу військової діяльності на лісові екосистеми в умовах воєнного часу.
Результати. Оцінено вплив військової діяльності на лісові екосистеми сходу України з використанням даних Sentinel-1 SAR, індексу рослинності Radar Vegetation Index (RVI), аналізу змін відносно базового періоду та методів неконтрольованого машинного навчання. Кількісна оцінка та характеристика порушень лісових екосистем, пов’язаних із воєнними діями, у межах Серебрянського ботанічного заказника, який безпосередньо зазнає впливу активних бойових дій, а також визначення масштабів, інтенсивності та часової динаміки цих пошкоджень визначено відносно довоєнного базового періоду, для чого використовувалася контрольна територія – Національний природний парк «Гомільшанські ліси», який не зазнавав впливу бойових дій. Оцінено, наскільки показники Sentinel-1 RVI, а також коефіцієнти зворотного розсіювання VV і VH здатні відображати просторові закономірності та поступовий розвиток порушень лісів, спричинених військовими діями, протягом 2020–2025 років. Дані Sentinel-1 оброблялися у середовищі Google Earth Engine та були обмежені лише лісовими пікселями за допомогою маски земного покриву. Для кожного року були сформовані літні композити, а довоєнний базовий період (2020–2021 роки) використовувався для кількісної оцінки післявоєнних змін. Аналіз включав оцінку річних трендів RVI, класифікацію пошкоджень на основі правил, кластеризацію методом K-means та виявлення ізольованих аномалій лісового покриву. Після 2022 року до 2025 року в межах Серебрянської дослідної території (ROI) зафіксовано суттєве зниження значень RVI. Частка змінених лісових пікселів значно збільшена, зокрема частка сильно порушених пікселів також значно збільшилася. Водночас у межах Гомільшанської дослідної території (ROI) зберігалася стабільна ситуація. Результати машинного навчання підтвердили ці тенденції.
Висновки. Методи SAR продемонстрували високу ефективність для дистанційного моніторингу в умовах обмеженого польового доступу, однак отримані категорії пошкоджень слід розглядати як індикатори дистанційного зондування, а не як польово підтверджені категорії деградації екосистем.
Завантаження
Посилання
Maksymenko, N. V., Voronin, V. O., & Burchenko, S. V. (2023). Remote Monitoring of the Impact of Military Actions on Forest Landscapes of the Kharkiv Region. Man and Environment. Issues of Neoe-cology, (40), 20–32. https://doi.org/10.26565/1992-4224-2023-40-02
Chornohor, L. F., Nekos, A. N., Titenko, H. V., & Chornohor, L. L. (2022). Mathematical Models for Assessing the Environmental Consequences of the Pyrogenic Factor Impact on Forest Ecosystems. Visnyk of V. N. Karazin Kharkiv National University, Series “Ecology”, (27), 51–62. https://doi.org/10.26565/1992-4259-2022-27-04
Hanson, T. (2018). Biodiversity conservation and armed conflict: A warfare ecology perspective. Annals of the New York Academy of Sciences, 1429(1), 50–65. https://doi.org/10.1111/nyas.13689
Lawrence, M. J., Stemberger, H. L. J., Zolderdo, A. J., Struthers, D. P., & Cooke, S. J. (2015). The effects of modern war and military activities on biodiversity and the environment. Environmental Reviews, 23(4), 443–460. https://doi.org/10.1139/er-2015-0039
McNeely, J. A. (2003). Conserving forest biodiversity in times of violent conflict. Oryx, 37(2), 142–152. https://doi.org/10.1017/S0030605303000334
Mahreen, K. (2022). The environmental impacts of war and conflict. Institute of Development Studies. https://opendocs.ids.ac.uk/articles/report/The_Environmental_Impacts_of_War_and_Conflict/26427280
Gaynor, K. M., Fiorella, K. J., Gregory, G. H., Kurz, D. J., Seto, K. L., Withey, L. S., & Brashares, J. S. (2016). War and wildlife: Linking armed conflict to conservation. Frontiers in Ecology and the Envi-ronment, 14(10), 533–542. https://doi.org/10.1002/fee.1433
Ordway, E. M. (2015). Political shifts and changing forests: Effects of armed conflict on forest conserva-tion in Rwanda. Global Ecology and Conservation, 3, 448–460. https://doi.org/10.1016/j.gecco.2015.01.013
Daiyoub, A., Gelabert, P., Saura-Mas, S., & Vega-García, C. (2023). War and deforestation: Using remote sensing and machine learning to identify the war-induced deforestation in Syria 2010–2019. Land, 12(8), 1509. https://doi.org/10.3390/land12081509
Butsic, V., Baumann, M., Shortland, A., Walker, S., & Kuemmerle, T. (2015). Conservation and conflict in the Democratic Republic of Congo: The impacts of warfare, mining, and protected areas on defor-estation. Biological Conservation, 191, 266–273. https://doi.org/10.1016/j.biocon.2015.06.037
Kaplan, G., Rashid, T., Gasparović, M., & others. (2022). Monitoring war-generated environmental se-curity using remote sensing: A review. Land Degradation & Development. https://doi.org/10.1002/ldr.4249
Shevchuk, S. A., Vyshnevskyi, V. I., & Bilous, O. P. (2022). The use of remote sensing data for investi-gation of environmental consequences of Russia–Ukraine war. Journal of Landscape Ecology, 15(3), 36–53. https://doi.org/10.2478/jlecol-2022-0017
Sticher, V., Wegner, J. D., & Pfeifle, B. (2023). Toward the remote monitoring of armed conflicts. PNAS Nexus, 2(6), pgad181. https://academic.oup.com/pnasnexus/article/2/6/pgad181/7185602
Mandal, D., Kumar, V., Ratha, D., Dey, S., Bhattacharya, A., Lopez-Sanchez, J. M., McNairn, H., & Rao, Y. S. (2020). Dual polarimetric radar vegetation index for crop growth monitoring using Sentinel-1 SAR data. Remote Sensing of Environment, 247, 111954. https://doi.org/10.1016/j.rse.2020.111954
Plank, S. (2014). Rapid damage assessment by means of multi-temporal SAR—A comprehensive re-view and outlook to Sentinel-1. Remote Sensing, 6(6), 4870–4906. https://doi.org/10.3390/rs6064870
Vreugdenhil, M., Wagner, W., Bauer-Marschallinger, B., Pfeil, I., Teubner, I., Rüdiger, C., & Strauss, P. (2018). Sensitivity of Sentinel-1 backscatter to vegetation dynamics: An Austrian case study. Remote Sensing, 10(9), 1396. https://doi.org/10.3390/rs10091396
Vreugdenhil, M., Navacchi, C., Bauer-Marschallinger, B., Hahn, S., Steele-Dunne, S., Pfeil, I., & Wag-ner, W. (2020). Sentinel-1 cross ratio and vegetation optical depth: A comparison over Europe. Remote Sensing, 12(20), 3404. https://doi.org/10.3390/rs12203404
De Luca, G., Silva, J. M. N., Di Fazio, S., & Modica, G. (2022). Integrated use of Sentinel-1 and Senti-nel-2 data and open-source machine learning algorithms for land cover mapping in a Mediterranean re-gion. European Journal of Remote Sensing, 55(1), 52–70. https://doi.org/10.1080/22797254.2021.2018667
Hirschmugl, M., Deutscher, J., Sobe, C., Bouvet, A., Mermoz, S., & Schardt, M. (2020). Use of SAR and optical time series for tropical forest disturbance mapping. Remote Sensing, 12(4), 727. https://doi.org/10.3390/rs12040727
Saim, A. A., & Aly, M. H. (2025). Fusion-based approaches and machine learning algorithms for forest monitoring: A systematic review. Wild, 2(1), 7. https://www.mdpi.com/3042-4526/2/1/7
Gatti, R. C., Lobos, R. B. C., Torresani, M., & others. (2025). An early warning system based on ma-chine learning detects huge forest loss in Ukraine during the war. Global Ecology and Conservation. https://www.sciencedirect.com/science/article/pii/S2351989425000289
Mullissa, A., Reiche, J., & Herold, M. (2023). Deep learning and automatic reference label harvesting for Sentinel-1 SAR-based rapid tropical dry forest disturbance mapping. Remote Sensing of Environ-ment. https://www.sciencedirect.com/science/article/pii/S0034425723003504
Xu, C., Ding, Y., Zheng, X., Wang, Y., Zhang, R., Zhang, H., & others. (2022). Comparison of machine learning and feature selection methods for maize biomass estimation using Sentinel-1 SAR, Sentinel-2 vegetation indices, and biophysical variables. Remote Sensing, 14(16), 4083. https://doi.org/10.3390/rs14164083
Авторське право (c) 2026 Horoshkovа L.A., Menshov O. I., Maslov D. V.
Цю роботу ліцензовано за Міжнародня ліцензія Creative Commons Attribution 4.0.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License 4.0 International (CC BY 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
