Возможность идентификации инвазивных чужеродных древесных растений на основе спектральных характеристик предикторных фенологических фаз

Введение

Инвазии чужеродных видов растений приводят к изменению структуры аборигенных растительных сообществ, нарушению экологических связей и снижению биологического разнообразия (Reichard, Hamilton, 1997; Theoharides, Dukes, 2007). Кроме негативных экологических последствий инвазия чужеродных видов может приводить к значительным экономическим затратам (Haubrock et al., 2021). В степной зоне юга России эта проблема приобретает особую остроту. Здесь инвазия чужеродных древесных растений может привести к радикальной трансформации коренных экосистем, особенно степных и луговых, из-за внедрения ранее отсутствовавших древесных жизненных форм (Moyano et al., 2023). Засушливый климат, относительно бедный видовой состав местной дендрофлоры и плодородные почвы создают предпосылки для успешной натурализации многих преднамеренно интродуцированных древесных растений. В последние десятилетия здесь отмечается активное внедрение чужеродных древесных видов в степные сообщества, пойменные леса, агро- и урболандшафты (Тохтарь, Курской, 2024; Kozlovskiy et al., 2020; Козловский и др., 2026).

Для решения проблемы инвазий растений необходимы эффективные методы мониторинга. Традиционные наземные обследования трудоемки и не позволяют оперативно получать информацию на значительных территориях (Wu et al., 2023). Перспективной альтернативой выступают технологии дистанционного зондирования, особенно использование беспилотных летательных аппаратов с гиперспектральной съемочной аппаратурой (He et al., 2015; Bolch et al., 2020).

В настоящее время сложилось несколько подходов к дистанционной идентификации инвазивных чужеродных видов (ИЧВ). Первый подход основан на анализе структурных признаков – оценке формы кроны, сомкнутости полога, высоты растений. Второй подход использует текстурные характеристики – анализ пространственных паттернов на изображении (однородность, контрастность, регулярность). Третий подход базируется на спектральных признаках – особенностях отражения электромагнитных волн в различных диапазонах, связанных с пигментным составом и внутренним строением тканей (Niphadkar, Nagendra, 2016; Dronova, Taddeo, 2022). При индентификации ИЧВ по спектральным характеристикам наибольшую эффективность демонстрирует метод, при котором съемка приурочена к фенологическим фазам максимального спектрального контраста между ИЧВ и фоновой растительностью (Bradley, 2014). В качестве таких предикторных фаз выступают цветение, плодоношение, осеннее изменение окраски листвы, а также асинхронное развитие по сравнению с аборигенными видами. Использование этих фенологических особенностей позволяет повысить эффективность спектральной идентификации и создать основу для систем мониторинга ИЧВ (Bolch et al., 2020; Chan et al., 2025).

Для ряда инвазивных кустарников в Северной Америке, которые начинают вегетацию раньше аборигенных видов, показана эффективность ранневесенней съемки (Liang et al., 2020), а для вечнозеленых видов – зимней съемки на фоне безлистного полога (Llewellyn et al., 2020). С применением гиперспектральной технологии успешно идентифицированы Ailanthus altissima и другие древесные ИЧВ (Chan et al., 2025).

Целью исследования являлась оценка возможности дистанционной идентификации ИЧВ древесных растений на основе их спектральных характеристик в предикторные фенологические фазы.

Для достижения поставленной цели решались следующие задачи:

1. Выявить предикторные фенологические фазы для трёх инвазивных видов древесных растений (Amorpha fruticosa, Robinia pseudoacacia, Ailanthus altissima), в которые спектральные характеристики органов растений могут максимально контрастировать с фоновой растительностью, и определить их календарные сроки.
2. Провести гиперспектральную съемку генеративных и вегетативных органов исследуемых видов в лабораторных и полевых условиях для получения спектральных характеристик.
3. С применением алгоритмов линейного дискриминантного анализа (LDA) и случайного леса (RF) определить спектральные диапазоны, обеспечивающие надежное разделение исследуемых видов и фоновой растительности.
4. Оценить зависимость диагностических спектральных признаков от расстояния до объекта съемки (масштаба) на примере Robinia pseudoacacia.
5. Сравнить эффективность классификационных моделей, построенных на лабораторных и полевых спектральных данных, и оценить возможность переноса лабораторных моделей в полевые условия на примере Ailanthus altissima.

Материал и методы исследования

Пункт и объекты исследования

Исследования проводились в Ботаническом саду Южного федерального университета (г. Ростов-на-Дону) в 2025–2026 гг. Объектами исследования послужили четыре вида инвазивных чужеродных растений: Amorpha fruticosa L., Robinia pseudoacacia L., Ailanthus altissima (Mill.) Swingle. Выбор данных видов обусловлен их высоким инвазионным потенциалом, широким распространением в агро- и урболандшафтах, а также наличием характерных фенологических фаз, которые могут служить предикторами для дистанционной спектральной идентификации (Виноградова и др., 2021; Kozlovskiy et al., 2020).

Гиперспектральная съёмка

Гиперспектральная съемка проводилась с помощью камеры кадрового типа Cubert UHD-185, работающей в диапазоне 450–950 нм и формирующей изображения в 125 спектральных каналах с разрешением 4 нм.

Лабораторная съемка выполнялась при искусственном освещении, с расстояния 40 см, объектив ориентировался перпендикулярно плоскости предметного стола. В качестве объектов съемки использовались листья и структуры, соответствующие предикторным фенологическим фазам: для A. fruticosa и R. pseudoacacia – соцветия в период массового цветения, для A. altissima – соплодия в фазу созревания плодов.

Полевая съемка крон проводилась в ботаническом саду со штатива с дистанций от 2 до 10 метров в зависимости от высоты растений. Объектив камеры направлялся перпендикулярно на освещённые солнцем участки кроны. Съемка выполнялась в безветренную ясную погоду в дневные часы при естественном освещении.

Обработка данных

Спектральные данные были предварительно обработаны с помощью фильтра Савицкого-Голея. Затем спектральные профили были преобразованы в синтетические спектральные профили с использованием метода Random Reflectance (Dmitriev et al., 2025).

Для лабораторных снимков выделение области интереса (ROI) выполнялось автоматически с использованием двухэтапной сегментации: сначала по пороговому значению индекса, затем с применением морфологической эрозии 3×3 (Dmitriev et al., 2023). На полевых снимках выделение ROI проводилось вручную.

Анализ спектральных данных

В качестве алгоритмов машинного обучения использовались случайный лес (Random Forest, RF) и линейный дискриминантный анализ (Linear Discriminant Analysis, LDA). Выбор данных методов обусловлен их эффективностью при решении задач классификации растительных объектов по спектральным признакам (Dmitriev et al., 2023).

Для оценки устойчивости полученных дискриминантных моделей и выявления минимально достаточного набора спектральных каналов использовалась процедура пошагового включения переменных с применением 10-кратной перекрестной проверки. Критерием остановки служило условие, при котором добавление очередного предиктора увеличивало точность классификации менее чем на 1%.

Данные фенологических наблюдений

В исследовании использовались опубликованные данные (Козловский и др., 2020) фенологических наблюдений за ИЧВ, которые осуществлялись отделом дендрологии ботанического сада ЮФУ.

Результаты исследования и их обсуждение

Оценка спектрального различия между листьями и соцветиями Amorpha fruticosa с помощью линейного дискриминантного анализа (LDA) в фазу цветения показала, что цветение является предикторной фенологической фазой A. fruticosa как по срокам, так и спектральным характеристикам. Результаты LDA-классификации представлены в таблице 1.

Таблица 1 — Результаты LDA классификации соцветий и листьев A. fruticosa

Согласно полученным данным, (таблица 1) наиболее значимые для классификации области спектра: зелёная область (500–600 нм) – слабо поглощается хлорофиллами, но хорошо поглощается антоцианами (каротиноиды в этой области почти не активны); красная область (600–700 нм) – эффективно поглощается хлорофиллами, но почти не поглощается каротиноидами и антоцианами. Спектральные профили листьев и соцветий A. fruticosa существенно различаются в диапазоне 460–670 нм, соответствующем зоне поглощения фотосинтетических пигментов (рисунок 1). Это делает период цветения данного ИЧВ наиболее подходящим для его идентификации на фоне зелёной листвы других растений. Согласно многолетним наблюдениям, фенологическая фаза цветения A. fruticosa длится с 24 мая по 11 июня, когда большинство других видов уже отцвело (Козловский и др., 2020).

Рисунок 1 – Спектральные профили листьев и соцветий Amorpha fruticosa (съемка кроны в полевых условиях)

Оценка спектрального различия между листьями и соцветиями Robinia pseudoacacia с помощью LDA в фазу цветения показала, что цветение является предикторной фенологической фазой R. pseudoacacia по спектральным характеристикам. Результаты LDA-классификации представлены в таблице 2.

Таблица 2 — Результаты LDA классификации соцветий и листьев R. pseudoacacia

Как показывают полученные данные, наиболее значимые для классификации области спектра зависят от расстояния съемки: при дальней гиперспектральной съемке (10 м) ключевая область лежит в 770–810 нм. Это не область поглощения фотосинтетических пигментов высших растений (хлорофиллов), а зона высокого рассеяния света внутренней структурой ткани. Спектральная кривая подтверждает, что в диапазоне 770–810 нм лепестки демонстрируют наиболее сильное отражение по сравнению с листьями (рисунок 2). При съемках с более близкого расстояния (2–4 м) ключевая область смещается в 462–466 нм (синий диапазон). Здесь находится максимум поглощения фотосинтетических пигментов. Листья поглощают в этой области более 90% света, тогда как белые лепестки его интенсивно отражают. Эта зависимость объясняется изменением пространственного разрешения: на большей дистанции в пикселе усредняется сигнал от целого соцветия (где доминирует структурное рассеяние в ИК), а на малой дистанции разрешение позволяет различать отдельные листья и лепестки, где ключевую роль играет пигментный контраст в синем диапазоне.

Фаза цветения R. pseudoacacia (10–25 мая) может служить предикторным признаком для идентификации, однако из-за большого количества объектов белого цвета нерастительного происхождения необходима разработка специального вегетационного индекса.

Рисунок 2 – Спектральные профили листьев и соцветий Robinia pseudoacacia (съемка кроны в полевых условиях)

Оценка спектрального различия между листьями и соплодиями Ailanthus altissima с помощью LDA в фазу созревания плодов показала, что созревающие плоды, собранные в метелки, могут быть предикторной фенологической фазой A. altissima по спектральным характеристикам. Результаты LDA-классификации представлены в таблице 3.

Таблица 3 — Результаты LDA классификации соплодий и листьев A. altissima

Спектральные профили (рисунок 3) показывают, что на всем протяжении спектра соплодия A. altissima характеризуются более низким отражением по сравнению с листьями, причем наиболее выраженные различия наблюдаются в ближнем инфракрасном диапазоне (после 720 нм).  Для оценки возможности дистанционной идентификации Ailanthus altissima в фазу созревания плодов использовались гиперспектральные данные, полученные в ходе лабораторной и полевой съемок. На основе лабораторных данных от 17 июля была построена классификационная модель с использованием алгоритма RF. При обучении и тестировании на лабораторных образцах модель продемонстрировала идеальные показатели: точность (Accuracy), полнота (Recall), Precision и F1-мера составили 100%. Однако при переносе обученной модели на полевые данные эффективность классификации резко снизилась: точность составила 36,67% (для съемки 7 июля) и 30,73% (для съемки 17 июля).

Низкие показатели свидетельствуют о непригодности модели, обученной исключительно на лабораторных данных, для классификации полевых измерений. Низкая точность классификации на полевых снимках может быть обусловлена несколькими причинами: наличием смешанных пикселей, неоднородным фоном, сложной структурой кроны, изменением условий освещения (эффект дрейфа данных).

Рисунок 3 – Спектральные профили листьев и соплодий A. altissima (съемка кроны в полевых условиях).

Заключение

В результате проведённого исследования определены предикторные для спектральной идентификации ИЧВ на фоне листвы фенологические фазы и их календарные сроки. Для Amorpha fruticosa предикторной фазой является цветение (24 мая – 11 июня), для Robinia pseudoacacia – цветение (10–25 мая), для Ailanthus altissima – плодоношение (1 июля – 15 сентября). Модели на основе алгоритмов машинного обучения (RF и LDA) показали высокую точность классификации (94–100%). Установлены спектральные диапазоны, обеспечивающие надежную идентификацию: для A. fruticosa – зеленый (530–574 нм) и красный (646–670 нм); для R. pseudoacacia – ближний ИК (770–810 нм) при дальней съемке и синий (462–466 нм) при ближней; для A. altissima – ближний ИК (720–900 нм). Выявлена зависимость информативных спектральных диапазонов от расстояния до объекта съемки: при дальней съемке (10 м) информативен ближний ИК-диапазон, при ближней (2 м) – синий. Показано, что модели, обученные на лабораторных данных, неприменимы для полевой классификации (на примере A. altissima точность снизилась с 100% до 30–37%). Дальнейшие перспективы исследований заключаются в апробации предложенных подходов при съёмке с беспилотных летательных аппаратов и расширении спектра изучаемых видов.

Исследование выполнено при финансовой поддержке Министерства науки и высшего образования РФ в рамках государственного задания в сфере научной деятельности, № FENW-2026-0019.

Литература

1. Виноградова Ю.К., Майоров С.Р., Хорун Л.В. Черная книга флоры Средней России: чужеродные виды растений в экосистемах. 2-е изд., доп. М. : ГЕОС, 2021. 576 с.
2. Козловский Б.Л., Куропятников М.В., Федоринова О.И. Фенология древесных интродуцентов Ботанического сада ЮФУ. Ростов-на-Дону ; Таганрог : Изд-во ЮФУ, 2020. 228 с.
3. Козловский Б.Л., Дмитриев П.А., Куропятников М.В., Федоринова О.И., Дмитриева А.А. Управление инвазивными чужеродными видами древесных растений в степной зоне юга Европейской России (на примере Ростовской области) // Живые и биокосные системы. 2026. № 55. DOI: 10.18522/2308-9709-2026-55-9.
4. Тохтарь В.К., Курской А.Ю. Инвазивные виды растений степных участков на юго-западе Среднерусской возвышенности (Белгородская область) // В сборнике трудов X Международного симпозиума «Степи Северной Евразии», Оренбург, Россия. 27–31 мая 2024 г. DOI: 10.24412/cl-37200-2024-1334-1337.
5. Bolch E.A., Santos M.J., Ade C. et al. Remote detection of invasive alien species // Remote Sensing in Ecology and Conservation. 2020. Vol. 6, No 1. P. 8–27. DOI: 10.1002/rse2.124.
6. Bradley B.A. Remote detection of invasive plants: a review of spectral, textural and phenological approaches // Biological Invasions. 2014. Vol. 16, No 7. P. 1411–1425. DOI: 10.1007/s10530-013-0602-8.
7. Chan A.H., Barnes M.L., Weiss L. et al. Leveraging phenology and multimodal remote sensing for invasive plant mapping // Remote Sensing of Environment. 2025. Vol. 318. P. 114598.
8. Dmitriev P.A., Kozlovsky B.L., Dmitrieva A.A. et al. Classification of invasive tree species based on the seasonal dynamics of the spectral characteristics of their leaves // Earth Science Informatics. 2023. Vol. 16. P. 3729–3743. DOI: 10.1007/s12145-023-01078-5.
9. Dmitriev P.A., Dmitrieva A.A., Kozlovsky B.L. Random Reflectance: A New Hyperspectral Data Preprocessing Method for Improving the Accuracy of Machine Learning Algorithms // AgriEngineering. 2025. Vol. 7, No 3. P. 90.
10. Dronova I., Taddeo S. Remote sensing of phenological diversity in plant communities // Annual Review of Ecology, Evolution, and Systematics. 2022. Vol. 53. P. 123–148. DOI: 10.1146/annurev-ecolsys-102320-085156.
11. Haubrock P.J., Turbelin A.J., Cuthbert R.N., Novoa A., Taylor N.G., Angulo E., Ballesteros-Mejia L., Bodey T.W., Capinha C., Diagne C., Essl F., Golivets M., Kirichenko N., Kourantidou M., Leroy B., Renault D., Verbrugge L., Courchamp F. Economic costs of invasive alien species across Europe // NeoBiota. 2021. Vol. 67. P. 153–190. DOI: 10.3897/neobiota.67.58196.
12. He K.S., Bradley B.A., Cord A.F. et al. Will remote sensing shape the future of invasion science? // Frontiers in Ecology and the Environment. 2015. Vol. 13, No 5. P. 262–269. DOI: 10.1890/14-0845.1.
13. Kozlovskiy B.L., Fedorinova O.I., Kuropyatnikov M.V. Invasion of the Parthenocissus inserta (Kern.) K. Fritsch. in Floodplain Forests of Rostov Oblast // Russian Journal of Biological Invasions. 2020. Vol. 11, No 3. P. 235–242. DOI: 10.1134/S2075111720030089.
14. Liang L., Chen Y., Hawbaker T.J. et al. High-resolution characterization of an invasive shrub under dynamic canopy phenology using satellite time series // Remote Sensing of Environment. 2020. Vol. 241. P. 111732. DOI: 10.1016/j.rse.2020.111732.
15. Llewellyn G.M., Dennett J.M., Lafleur B. et al. Mapping evergreen invasive species in deciduous forests using winter imagery // Biological Invasions. 2020. Vol. 22, No 5. P. 1715–1730. DOI: 10.1007/s10530-019-02184-2.
16. Moyano J., Zamora-Nasca L.B., Caplat P., García-Díaz P., Langdon B., Lambin X., Montti L., Pauchard A., Nuñez M.A. Predicting the impact of invasive trees from different measures of abundance // Journal of Environmental Management. 2023. Vol. 325, Part B. P. 116480. DOI: 10.1016/j.jenvman.2022.116480.
17. Niphadkar M., Nagendra H. Remote sensing of invasive plants: incorporating functional traits into the picture // International Journal of Remote Sensing. 2016. Vol. 37, No 13. P. 3074–3085. DOI: 10.1080/01431161.2016.1193795.
18. Reichard S.H., Hamilton C.W. Predicting invasions of woody plants introduced into North America // Conservation Biology. 1997. Vol. 11, No 1. P. 193–203. DOI: 10.1046/j.1523-1739.1997.95430.x.
19. Theoharides K.A., Dukes J.S. Plant invasion across space and time: factors affecting nonindigenous species success // BioScience. 2007. Vol. 57, No 2. P. 141–153. DOI: 10.1641/B570206.
20. Wu Z., Wang L., Zhang B. et al. Limitations of ground-based surveys for large-scale plant invasion monitoring // Journal of Environmental Management. 2023. Vol. 329. P. 117–130. DOI: 10.1016/j.jenvman.2022.117130.

Статья поступила в редакцию 6 мая 2026 г.

Поступила после доработки 3 июня 2026 г.

Принята к печати 5 июня 2026 г.

Received 6, May, 2026

Revised 3, June, 2026

Accepted 5, June, 2026