The article is devoted to assessing the consequences of steppe fires that occurred in 2019–24 on the territory of the Karkaraly district of the Karaganda region, using data from remote sensing of the Earth (remote sensing). Landsat 8 OLI satellite images were used and spectral indices (NBR, dNBR, NDVI, NDMI) were calculated, characterizing the state of the territory before and after the fire. The results obtained using the classical method of assessing the consequences of fires based on the dNBR index were compared with the Random Forest machine learning algorithm. The Random Forest method is more reliable than traditional index approaches, especially when low severity fires are identified. The use of the machine learning method made it possible to assess the consequences of steppe fires and improve the environmental monitoring system.

Keywords: steppe fires, remote sensing of the Earth, Landsat 8, dNBR, Random Forest, machine learning, burned area.

Введение

На территории Казахстана ежегодно регистрируется около 18 000 пожаров, основная часть которых приходится на Карагандинскую, Костанайскую, Актюбинскую и Северо-Казахстанскую области. Около 90 % лесных и степных пожаров возникает в результате деятельности человека. Эти пожары наносят прямой ущерб экосистемам и приводят к выбросу в атмосферу значительных объемов загрязняющих веществ, таких как диоксид углерода (CO₂), оксид углерода (CO), метан (CH₄) и аэрозоли сажи. Указанные выбросы являются одним из важных источников глобального углеродного цикла и оказывают существенное влияние на радиационный баланс системы «Земля–атмосфера».

Оперативная и точная оценка последствий пожаров в степных и лесостепных зонах имеет ключевое значение для управления природными ресурсами, планирования восстановительных мероприятий и снижения экологических рисков. В этом контексте данные дистанционного зондирования Земли широко применяются как эффективный инструмент благодаря их пространственному охвату и временной доступности. Несмотря на то, что традиционные методы, основанные на спектральных индексах (NBR, dNBR), показывают хорошие результаты при оценке последствий пожаров, они зачастую не позволяют полноценно выявлять пожары низкой интенсивности.

В последние годы методы машинного обучения становятся важным инструментом анализа данных дистанционного зондирования. Научные исследования показывают, что такие алгоритмы, как Support Vector Machine (SVM), Random Forest (RF) и Convolutional Neural Network (CNN), способны автоматически и с высокой точностью определять очаги пожаров и выгоревшие территории по спутниковым снимкам. Эти методы учитывают сложную структуру данных, что позволяет снизить количество ложноположительных и ложноотрицательных результатов.

Целью данного исследования является оценка последствий степных пожаров в Каркаралинском районе с использованием данных Landsat 8 и повышение точности выявления, особенно пожаров низкой интенсивности, за счет применения алгоритма Random Forest.

Область исследования

Область исследования охватывает территорию Каркаралинского района Карагандинской области, одного из важных природных регионов Центрального Казахстана. Климат района резко континентальный: зима продолжительная и холодная (до −20…−40 °C), лето жаркое и сухое (до +30…+40 °C). Среднегодовое количество осадков составляет 250–350 мм, что свидетельствует о засушливости региона и его склонности к опустыниванию.

В последние десятилетия наблюдаются потепление климата и учащение засух, при этом темпы роста температуры превышают среднемировые показатели. Данные климатические изменения способствуют увеличению риска возникновения степных пожаров.

В 2019, 2022 и 2024 годах в различных частях района были зафиксированы степные пожары. Основные очаги пожаров 2024 года располагались в северо-восточной части района, на границе с Баянаульским районом Павлодарской области. Каркаралинский национальный парк, находящийся в южной части района, является экологически значимой территорией, при этом пожары проходили в непосредственной близости от данной природоохранной зоны.

Рис. 1. Область исследования: карта расположения Каркаралинского района Карагандинской области

Использованные данные

В ходе исследования в качестве основного источника данных использовались спутниковые снимки Landsat 8 OLI/TIRS. Данные были получены с платформы USGS Earth Explorer и охватывали периоды до пожара (pre fire) и после пожара (post fire). При отборе снимков учитывались сцены с уровнем облачности менее 20 %.

Спутник Landsat 8, функционирующий с 2013 года, оснащен 11 спектральными каналами и обеспечивает пространственное разрешение 30 м. Эти данные позволяют оценивать экосистемные изменения до и после пожара, состояние растительного покрова и динамику влажности. При совместном использовании с методами машинного обучения, включая алгоритмы Random Forest и CNN, данные Landsat 8 демонстрируют высокую точность при оценке последствий пожаров и представляют особую ценность для долгосрочного экологического мониторинга.

Все работы по пространственной обработке и анализу данных выполнялись с использованием геоинформационной системы QGIS. К основным преимуществам QGIS относятся бесплатность и открытый исходный код, наличие расширенных инструментов пространственного анализа, а также высокая эффективность при расчете спектральных индексов.

Методы исследования

Расчет спектральных индексов. Для оценки последствий пожаров был рассчитан ряд широко применяемых спектральных индексов. Каждый индекс характеризует состояние экосистемы до и после пожара с различных сторон.

Normalized Burn Ratio (NBR) является одним из наиболее эффективных индексов для выявления выгоревших территорий. Данный индекс позволяет оценить степень повреждения растительного покрова и спектральные особенности сгоревшего материала. Индекс NBR рассчитывался по следующей формуле:

Здесь NIR — ближний инфракрасный диапазон, SWIR2 — коротковолновый инфракрасный диапазон. После пожара объем растительного покрова уменьшается, а отражательная способность в диапазоне SWIR2 возрастает, вследствие чего значение NBR снижается.

Differenced Normalized Burn Ratio (dNBR) является производной индекса NBR и используется для оценки интенсивности пожара (burn severity). Значение dNBR вычисляется как разность значений NBR до пожара и после пожара:

Высокие значения dNBR соответствуют сильному воздействию пожара, тогда как низкие значения характеризуют пожары слабой интенсивности (low severity). Данный индекс позволяет классифицировать выгоревшие участки по уровню интенсивности.

Normalized Difference Vegetation Index (NDVI) — один из наиболее распространенных индексов для оценки состояния растительного покрова. NDVI позволяет надежно оценивать плотность и биомассу живой зеленой растительности и рассчитывается по следующей формуле:

Чем выше значение NDVI, тем более плотным является растительный покров и тем больше запас горючего материала, что, в свою очередь, рассматривается как фактор, способствующий повышению пожарной опасности.

Normalized Difference Moisture Index (NDMI) представляет собой индекс для оценки уровня влажности растительности и рассчитывается по следующей формуле:

Данный индекс характеризует водное состояние растений и играет важную роль при анализе динамики влажности до и после пожара. Снижение значений NDMI указывает на высыхание растительного покрова и увеличение его пожароопасности..

Выявление выгоревших территорий на основе dNBR

В соответствии с рассчитанными значениями dNBR интенсивность выгорания была разделена на классы. Полученные результаты показали, что основная часть выгоревших территорий в области исследования относится к пожарам низкой интенсивности (low severity).

Однако низкие значения dNBR приводят к неполному выявлению отдельных слабовыраженных очагов пожара. Это указывает на наличие ограничений метода dNBR при оценке последствий пожаров низкой интенсивности. В результате в пределах области исследования было выявлено 142 320 гектаров выгоревших земель. На рисунке 2 представлены выгоревшие территории, определенные с использованием метода dNBR.

Рис. 2. Карта выгоревших территорий Каркаралинского района, определенных с использованием индекса dNBR

Применение алгоритма Random Forest

Для более точного выявления выгоревших территорий был применен алгоритм машинного обучения Random Forest. В процессе классификации в качестве входных данных использовались индексы dNBR, pre NBR, post NBR, pre NDVI, post NDVI, pre NDMI и post NDMI. Обучающие выборки формировались на основе выгоревших и невырожденных участков, а результат работы модели был представлен в виде карты burned area.

Алгоритм Random Forest показал высокую эффективность при выявлении пожаров низкой интенсивности. В результате в пределах области исследования с высокой степенью достоверности было определено 158 148 гектаров выгоревших земель.

Рис. 3. Карта выгоревших территорий Каркаралинского района, определенных в среде QGIS на основе алгоритма Random Forest

Результаты и обсуждение

Результаты исследования были получены в ходе оценки последствий степных пожаров, произошедших в Каркаралинском районе в 2019, 2022 и 2024 годах. Сравнение выгоревших территорий, определенных с использованием методов dNBR и Random Forest (рисунок 4), показало, что алгоритм Random Forest во всех случаях выявляет большую площадь выгорания по сравнению с методом dNBR.Так, в 2019 году по методу dNBR было выявлено 491 920 га выгоревших территорий, тогда как метод Random Forest показал 519 000 га. В 2022 году данные значения составили соответстве 31 150 га (dNBR) и 38 450 га (Random Forest), а в 2024 году — 142 320 га (dNBR) и 158 148 га (Random Forest). Полученная разница свидетельствует о том, что алгоритм Random Forest более надежно выявляет п ожары низкой интенсивности (low severity), которые слабо выражены в спектральном отношении.

Во все рассматриваемые годы метод Random Forest, используя одновременно несколько спектральных индексов и учитывая сложную структуру земного покрова, более точно отображает границы выгоревших территорий. Метод dNBR, ориентированный преимущественно на выявление зон с высокой интенсивностью пожара, не позволяет полностью охватить часть очагов низкой интенсивности.

В результате сравнительного анализа установлено, что около 99 % выгоревших территорий, выявленных в 2019–2024 годах, относятся к пожарам низкой интенсивности (low burned area). Это указывает на сравнительно слабое воздействие степных пожаров на экосистемы Каркаралинского района.

Рис. 4. Сравнение площади выгоревших территорий (га) по годам, определенных методами dNBR и Random Forest

На рисунке 4 показано сравнение выгоревших территорий по годам, определенных методами dNBR и Random Forest. Во все рассматриваемые годы площадь burned area, выявленная с помощью алгоритма Random Forest, оказалась больше, чем при использовании метода dNBR. Эта разница особенно заметна в случаях, когда преобладали пожары низкой интенсивности. Возможность метода Random Forest учитывать несколько спектральных индексов одновременно позволяет более точно выявлять слабовыраженные и нечётко очерченные очаги пожаров.

Площадь выгоревших территорий, оцененная с помощью метода Random Forest, превысила значения, полученные по эталонной карте dNBR, на 9,36 % в 2019 году, на 10,23 % в 2022 году и на 11,12 % в 2024 году. Из анализа выгоревших площадей установлено, что за период 2019–24 гг. изменения пожаров низкой интенсивности в среднем составило 10,24 % от эталонной карты для условий Каркаралинской ландшафтной местности.

Рис. 5. Динамика средних значений NDVI в Каркаралинском районе за период 2019–2025 гг.

На рисунке 5 показана динамика средних значений NDVI в Каркаралинском районе за период 2019–2025 гг. Постепенное снижение показателей NDVI в 2019–2023 годах отражает долгосрочное влияние пожаров предыдущих лет. Увеличение значения NDVI в 2024 году свидетельствует о быстром восстановлении растительного покрова после пожаров низкой интенсивности, тогда как снижение в 2025 году отражает влияние климатических факторов.

Для оценки динамики состояния растительного покрова Каркаралинского района в период 2019–2025 гг. был применён аналитический метод исследования временного ряда среднегодовых значений нормализованного вегетационного индекса (NDVI). Использование данного подхода позволяет выявить направленность изменений вегетационной активности и установить характер долгосрочных эколого-ландшафтных тенденций.

Временной ряд NDVI рассматривается как дискретная функция времени:

где — соответствует календарному году наблюдений

Анализ функции показал, что в интервале 2019–2022 гг. наблюдается устойчивая отрицательная динамика среднегодовых значений NDVI. За указанный период индекс снизился с 0,18 в 2019 году до 0,14 в 2022 году, что свидетельствует о сокращении вегетационной активности растительного покрова.

Абсолютное изменение показателя составило:

Среднегодовой темп изменения NDVI определяется выражением:

Полученное отрицательное значение коэффициента тренда указывает на поступательное ухудшение состояния растительного покрова исследуемой территории. Подобная динамика характерна для ландшафтов, подвергшихся воздействию неблагоприятных природных и антропогенных факторов, включая последствия степных пожаров, засушливые климатические условия и процессы деградации почвенно-растительного покрова.

Таким образом, результаты аналитического анализа временного ряда NDVI подтверждают наличие выраженной фазы деградации растительности в начальный период исследования, что создаёт основу для последующего анализа процессов стабилизации и восстановления экосистем в более поздние годы наблюдений. Использования данных дистанционного зондирования и методов машинного обучения при оценке последствий степных пожаров в Каркаралинском районе, позволила методом dNBR более эффективно подходит для общей оценки интенсивности выгорания, однако имеет ограничения при выявлении пожаров низкой интенсивности.

Алгоритм Random Forest, объединяя несколько спектральных индексов, позволил надежно выявлять слабовыраженные и нечётко очерченные очаги пожаров. Полученные результаты подтверждают важность внедрения методов машинного обучения в системы оценки последствий степных и лесостепных пожаров.

В будущих исследованиях применение данного подхода к другим регионам, а также проведение сравнительного анализа различных алгоритмов машинного обучения позволит дополнительно повысить точность и эффективность мониторинга пожаров.

Литература:

1. Guiop-Servan, R. E.; Cotrina-Sanchez, A.; Puerta-Culqui, J.; Oliva-Cruz, M.; Barboza, E. Remote sensing for wildfire mapping: advances, platforms, and algorithms.
2. Chuvieco, E.; Mouillot, F.; van der Werf, G. R.; San Miguel, J. Applications of remote sensing in fire ecology.
3. Parks, S. A.; Holsinger, L. M.; Miller, C.; Nelson, C. R. Comparison of Sentinel-2 and Landsat-8 data for burn severity mapping.
4. Chen, Y.; Randerson, J. T.; van der Werf, G. R.; Morton, D. C. Burned area, fire emissions, and global fire dynamics.
5. Singh, H.; Ang, L. M.; Srivastava, S. K. Active wildfire detection via satellite imagery and machine learning: an empirical investigation of Australian wildfires.
6. Kapsalyamova, Z.; Terekhov, A.; Abiltayeva, A. Mapping fire hazard potential in Kazakhstan.
7. Gao, Y.; Skutsch, M.; Paneque-Gálvez, J. Evaluating forest fire severity and vegetative recovery using Sentinel imagery and spectral indices.
8. Zhang, Y.; Li, Z.; Wang, Q. Machine-learning-based burned area mapping using multispectral satellite data.
9. Roy, D. P.; Wulder, M. A.; Loveland, T. R.; et al. Landsat-8: Science and product vision for terrestrial global change research.
10. NASA; U. S. Geological Survey (USGS). Landsat 8 Operational Land Imager (OLI) and Thermal Infrared Sensor (TIRS) data.