В последние десятилетия в различных областях науки наблюдается быстрый рост применения инструментов, связанных с глубоким машинным обучением на искусственных нейронных сетях. Глубокие нейронные сети различаются по своей архитектуре, например в сверточной нейронной сети разные слои могут использовать ядра свертки для извлечения ключевых объектов из изображения и объединения слоев в пул для обобщения этих объектов. Рекуррентные нейронные сети обрабатывают последовательные ряды данных и сохраняют память о прошлых показателях, возвращая выходные данные слоя обратно в этот же слой. Обучение нейронной сети сводится к оптимизации веса соединений в сети с целью минимизировать ошибку прогнозирования. У глубокого обучения есть потенциал в использовании информации, скрытой в больших массивах данных с тем, чтобы по-новому ответить на сложные экологические вопросы. Большие объемы информации состоят из изображений, аудио, видео или неструктурированных текстов, которые сложно анализировать традиционными статистическими методами. При экспоненциальном росте публикаций, посвященных методам и результатам применения глубокого обучения на нейронных сетях в разных областях знаний, в представленном обзоре предпринята попытка анализа некоторых его применений в области лесной экологии. В частности, приведены результаты использования искусственных нейронных сетей для решения некоторых задач лесного хозяйства России при сопряжении разнородных исходных данных для оценки фитомассы лесов, при картировании и прогнозировании динамики лесного покрова, при идентификации корней растений на миниризотронных изображениях. В заключительном разделе описаны некоторые достижения, проблемы и неопределенности глубокого машинного обучения в экосистемной экологии.
Предпросмотр статьи
Идентификаторы и классификаторы
- SCI
- Лесоводство
Решение важнейших научных задач сегодня немыслимо без применения высокопроизводительных компьютеров. Сформировалась инфраструктура, получившая название «информационные технологии» (Часовских и др., 2024).
Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.
Список литературы
1. Бойцов А. К., Логачев А. А., Мусин Х. Г. Использование искусственных нейронных сетей для определения перспективности использования клонов гибридных пород древесины для плантационного лесовыращивания // Изв. СПбЛТА. 2021. Вып. 237. С. 288-298. E
2. Быков Б. А. Экологический словарь. Алма-Ата: Наука, 1983. 215 с.
3. Галушкин А. И. Теория нейронных сетей: учеб. пособ. для вузов. М.: ИПРЖР, 2000. Кн. 1. 416 с.
4. Каляев И. А. Искусственный интеллект: камо грядеши? // Эконом. стратегии. 2019. Т. 21. № 5 (163). С. 6-15.
5. Кедров А. В., Тарасов А. В. Классификация лесной растительности методом нейронных сетей // Вестн. Перм. нац. иссл. политех. ун-та. Электротехника, информ. технол., сист. управл. 2017. № 22. С. 44-54.
6. Кричевский М. Л. Интеллектуальный анализ в менеджменте. СПб.: СПбГУАП, 2005. 208 с.
7. Михова Е. Д., Данилин И. М. Классификация породного состава леса на аэрофотоснимке с использованием нейронной сети // Актуальные проблемы авиации и космонавтики: Материалы V Международной научно-практической конференции творческой молодежи, посвященной Дню космонавтики. 2016. Т. 12. № 1. С. 632-634.
8. Никологорская А. В., Ясинский Ф. Н. Временные ряды, их анализ и прогнозирование. Иваново: Иванов. гос. энерг. ун-т, 2010. 80 с. ▼ Контекст
9. Полещук О. М., Васильев С. Б. Нейронечеткая модель для прогноза семеношения лесных культур в условиях техногенных ландшафтов // Лесн. вестн. 2018. Т. 22. № 1. С. 31-35. EDN: XZXKEP ▼ Контекст
10. Романов А. А., Рубанов К. А. Сравнение методов объектно-ориентированной и нейросетевой классификации данных дистанционного зондирования Земли на основе материалов систем Landsat-5 и Orbview-3 // Соврем. пробл. дистанцион. зондирования Земли из космоса. 2012. Т. 9. № 4. С. 29-36. EDN: PESYBH ▼ Контекст
11. Станкевич Т. С. Разработка метода оперативного прогнозирования динамики развития лесного пожара посредством искусственного интеллекта и глубокого машинного обучения // Вестн. Иркут. гос. техн. ун-та. 2018. Т. 22. № 9 (140). С. 111-120. EDN: YGGSLR ▼ Контекст
12. Станкевич Т. С. Моделирование распространения лесного пожара при нестационарности и неопределенности посредством искусственного интеллекта и глубокого машинного обучения // Вестн. Астрахан. гос. тех. ун-та. Сер.: Управл., вычисл. техника и информатика. 2019. № 3. С. 97-107. ▼ Контекст
13. Усольцев В. А. Моделирование биомассы и морфологии корней растений. Экологические аспекты. Екатеринбург: УГЛТУ, 2025. 195 с. EDN: GPYLJJ ▼ Контекст
14. Хайкин С. Нейронные сети. Полный курс. 2-е изд. Пер. с англ. М.: ООО “И. Д. Вильямс”, 2016. 1104 с. ▼ Контекст
15. Часовских В. П., Стариков Е. Н., Акчурина Г. А., Кох Е. В. Системы искусственного интеллекта: учеб. пособие. Екатеринбург: УрГЭУ, 2024. 194 с. EDN: XUTFAE ▼ Контекст
16. Часовских В. П., Усольцев В. А., Кох Е. В. Естественный и искусственный интеллект как инструмент преобразования данных. Киров: МЦИТО, 2025. 253 с. ▼ Контекст
17. Ясинский Ф. Н., Потемкина О. В., Сидоров С. Г., Евсеева А. В. Прогнозирование вероятности возникновения лесных пожаров с помощью нейросетевого алгоритма на многопроцессорной вычислительной технике // Вестн. Иванов. гос. энерг. ун-та. 2011. № 2. С. 82-84. EDN: PFKHYD ▼ Контекст
18. Adepoju K., Adelabu S., Fashae O. Vegetation response to recent trends in climate and landuse dynamics in a typical humid and dry tropical region under global change // Adv. Meteorol. 2019. V. 2019. N. 1. Article ID 4946127. ▼ Контекст
19. Anees S. A., Zhang X., Khan K. A, Abbas M., Ghramh H. A, Ahmad Z. Estimation of fractional FVC dynamics and its drivers based on multi-sensor data in Dera Ismail Khan, Pakistan // J. King Saud. Univ.-Sci. 2022а. V. 34. N. 6. Article 102217. EDN: FVATGL ▼ Контекст
20. Anees S. A., Zhang X., Shakeel M., Al-Kahtani M. A., Khan K. A., Akram M., Ghramh H. A. Estimation of fractional FVC dynamics based on satellite remote sensing in Pakistan: a comprehensive study on the FVC and its drivers // J. King Saud. Univ.-Sci. 2022b. V. 34. N. 3. Article 101848. EDN: VNMYZP ▼ Контекст
21. Anees S. A., Mehmood K., Khan W. R., Shahzad F., Zhran M., Ayub R., Alarfaj A. A., Alharbi S. A., Liu Q. Spatiotemporal dynamics of vegetation cover: integrative machine learning analysis of multispectral imagery and environmental predictors // Earth Sci. Inform. 2025. V. 18. N. 1. Article 152. EDN: RIFUIN ▼ Контекст
22. Baldocchi D. D. How eddy covariance flux measurements have contributed to our understanding of global change biology // Glob. Change Biol. 2020. V. 26. N. 1. P. 242-260. EDN: UIBAWU ▼ Контекст
23. Belgiu M., Drăguţ L. Randomforest in remote sensing: A review of applications and future directions // ISPRS J. Photogram. Rem. Sens. 2016. V. 114. Preprint. P. 24-31. ▼ Контекст
24. Besnard S., Carvalhais N., Arain M. A., Black A., Brede B., Buchmann N., Chen J., Clevers J. G. P. W., Dutrieux L. P., Gans F., Herold M., Jung M., Kosugi Y., Knohl A., Law B. E., Paul-Limoges E., Lohila A., Merbold L., Roupsard O., Valentini R., Wolf S., Zhang X., Reichstein M. Memory effects of climate and vegetation affecting net ecosystem CO2 fluxes in global forests // PLoS ONE. 2019. V. 14. N. 2. Article e0211510. ▼ Контекст
25. Bi D., Dix M., Marsland S., O’farrell S., Sullivan A., Bodman R., Law R., Harman I., Srbinovsky J., Rashid H. A., Dobrohotoff P., Mackallah C., Yan H., Hirst A., Savita A., Dias F. B., Woodhouse M., Fiedler R., Heerdegen A. Configuration and spin-up of ACCESS-CM2, the new generation Australian community climate and earth system simulator coupled model // J. South. Hemisph. Earth. Syst. Sci. 2020. V. 70. N. 1. P. 225-251. EDN: JXDDCD
26. Blume-Werry G. The belowground growing season // Nat. Clim. Change. 2021. V. 12. N. 1. Article 1922. ▼ Контекст
27. Boisvenue C., Smiley B. P., White J. C., Kurz W. A., Wulder M. A.Integration of Landsat time series and field plots for forest productivity estimates in decision support models // For. Ecol. Manag. 2016. V. 376. Preprint. P. 284-297. EDN: WOONUV ▼ Контекст
28. Borowiec M. L., Dikow R. B., Frandsen P. B., McKeeken A., Valentini G., White A. E. Deep learning as a tool for ecology and evolution // Methods Ecol. Evol. 2022. V. 13. N. 8. P. 1640-1660. EDN: VJGYIM ▼ Контекст
29. Breiman L. Bagging predictors // Mach. Learn. 1996. V. 24. N. 2. P. 123-140. EDN: AJMJYF ▼ Контекст
30. Brodrick P. G., Davies A. B., Asner G. P. Uncovering ecological patterns with convolutional neural networks // Trends Ecol. Evol. 2019. V. 34. N. 8. P. 734-745. EDN: SEAOEM ▼ Контекст
31. Brovelli M. A., Sun Y., Yordanov V. Monitoring forest change in the Amazon using multi-temporal remote sensing data and machine learning classification on Google Earth engine // ISPRS Int. J. Geo-Inf. 2020. V. 9. N. 10. Article 580. EDN: THSTCZ ▼ Контекст
32. Castillo J. A. A., Apan A. A., Maraseni T. N., Salmo S. G. III. Estimation and mapping of above-ground biomass of mangrove forests and their replacement land uses in the Philippines using Sentinel imagery // ISPRS J. Photogram. Rem. Sens. 2017. V. 134. Preprint. P. 70-85. ▼ Контекст
33. Chen H., Wang Y., Guo T., Xu C., Deng Y., Liu Z., Ma S., Xu C., Xu C., Gao W. Pre-trained image processing transformer // IEEE/CVF Conf.Comp. Vision and Pattern Recognition (CVPR). Los Alamitos, CA, USA: IEEE Comp. Soc., 2021a. P. 12294-12305. EDN: FSDUXX ▼ Контекст
34. Chen J., Dafflon B., Tran A. P., Falco N., Hubbard S. S. A deep learning hybrid predictive modeling (HPM) approach for estimating evapotranspiration and ecosystem respiration // Hydrol. Earth Syst. Sci. 2021b. V. 25. N. 11. P. 6041-6066. EDN: YJMXPB ▼ Контекст
35. Chi H., Sun G., Huang J., Guo Z., Ni W., Fu A. National forest aboveground biomass mapping from ICESat/GLAS data and MODIS imagery in China // Rem. Sens. 2015. V. 7. N. 5. P. 5534-5564. EDN: UPEXVV ▼ Контекст
36. Chiarito E., Cigna F., Cuozzo G., Fontanelli G., Mejia Aguilar A., Paloscia S., Rossi M., Santi E., Tapete D., Notarnicola C. Biomass retrieval based on genetic algorithm feature selection and support vector regression in alpine grassland using ground-based hyperspectral and Sentinel-1 SAR data // Eur. J. Rem. Sens. 2021. V. 54. N. 1. P. 209-225. EDN: QCYSHN ▼ Контекст
37. Christin S., Hervet E., Lecomte N. Applications for deep learning in ecology // Methods Ecol. Evol. 2019. V. 10. N. 10. P. 1632-1644. ▼ Контекст
38. Chrysafis I., Mallinis G., Tsakiri M., Patias P. Evaluation of single-date and multi-seasonal spatial and spectral information of Sentinel-2 imagery to assess growing stock volume of a Mediterranean forest // Int. J. Appl. Earth. Obs. Geoinf. 2019. V. 77. Preprint. P. 1-14. EDN: PISCER ▼ Контекст
39. Cipriotti P. A., Wiegand T., Pütz S., Bartoloni N. J., Paruelo J. M. Nonparametric upscaling of stochastic simulation models using transition matrices // Methods Ecol. Evol. 2016. V. 7. Preprint. P. 313-322. ▼ Контекст
40. Cleverly J., Eamus D., Edwards W., Grant M., Grundy M. J., Held A., Karan M., Lowe A. J., Prober S. M., Sparrow B., Morris B. TERN, Australia’s land observatory: addressing the global challenge of forecasting ecosystem responses to climate variability and change // Environ. Res. Lett. 2019. V. 14. N. 9. Article 095004. EDN: UOIJKY ▼ Контекст
41. David R. M., Rosser N. J., Donoghue D. N. Improving above ground biomass estimates of Southern Africa dryland forests by combining Sentinel-1 SAR and Sentinel-2 multispectral imagery // Rem. Sens. Environ. 2022. V. 282. N. 2. Article 113232. EDN: DPKSKI ▼ Контекст
42. Debebe B., Senbeta F., Teferi E., Diriba D., Teketay D. Analysis of forest cover change and its drivers in biodiversity hotspot areas of the Semien Mountains national park, northwest Ethiopia // Sustainability. 2023. V. 15. N. 4. Article 3001. EDN: EUIMZZ ▼ Контекст
43. Dhanda P., Nandy S., Kushwaha S., Ghosh S., Murthy Y. K., Dadhwal V. Optimizing spaceborne lidar and very high resolution optical sensor parameters for biomass estimation at ICESat/GLAS footprint level using regression algorithms // Prog. Phys. Geogr. 2017. V. 41. Preprint. P. 247-267. ▼ Контекст
44. Dietze M. C., Fox A., Beck-Johnson L. M., Betancourt J. L., Hooten M. B., Jarnevich C. S., Keitt T. H., Kenney M. A., Laney C. M., Larsen L. G., Loescher H. W., Lunch C. K., Pijanowski B. C., Randerson J. T., Read E. K., Tredennick A. T., Vargas R., Weathers K. C., White E. P. Iterative near-term ecological forecasting: Needs, opportunities, and challenges // PNAS. 2018. V. 115. N. 7. P. 1424-1432. EDN: YECXYD ▼ Контекст
45. Dong J., Xiao X., Menarguez M. A., Zhang G., Qin Y., Thau D., Biradar C., Moore III. B. Mapping paddy rice planting area in Northeastern Asia with Landsat 8 images, phenology-based algorithm and Google Earth engine // Rem. Sens. Environ. 2016. V. 185. Preprint. P. 142-154. ▼ Контекст
46. Dubayah R., Blair J. B., Goetz S., Fatoyinbo L., Hansen M., Healey S., Hofton M., Hurtt G., Kellner J., Luthcke S., Armston J., Tang H., Duncanson L., Hancock S., Jantz P., Marselis S., Patterson P. L., Qi W., Silva C. The global ecosystem dynamics investigation: High-resolution laser ranging of the earth’s forests and topography // Sci. Rem. Sens. 2020. V. 1. Preprint. Article 100002. ▼ Контекст
47. Fatah K. K., Mustafa Y. T., Hassan I. O. Flood susceptibility mapping using an analytic hierarchy process model based on remote sensing and GIS approaches in Akre district, Kurdistan region, Iraq // Iraqi Geol. J. 2022. V. 55. N. 2C. P. 123-149. EDN: IQMXGZ ▼ Контекст
48. Fernández-Guisuraga J. M., Suárez-Seoane S., Fernandes P. M., Fernández-García V., Fernández-Manso A., Quintano C., Calvo L. Pre-fire aboveground biomass, estimated from lidar, spectral and field inventory data, as a major driver of burn severity in maritime pine (Pinus pinaster) ecosystems // For. Ecosyst. 2022. V. 9. Preprint. Article 100022. EDN: IUCVNR ▼ Контекст
49. Forest Map, 2000. Europ.Commis., Joint Res. Centre (JRC), 2012 [Dataset]. ▼ Контекст
50. Georgopoulos N., Gitas I. Z., Korhonen L., Antoniadis K., Stefanidou A. Estimating crown biomass in a multilayered fir forest using airborne LiDAR data // Rem. Sens. 2023. V. 15. N. 11. Article 2919. EDN: CCJHAX ▼ Контекст
51. Gibbs H. K., Brown S., Niles J. O., Foley J. A. Monitoring and estimating tropical forest carbon stocks: making REDD a reality // Environ. Res. Lett. 2007. V. 2. N. 4. Article 045023. EDN: MMZZAP ▼ Контекст
52. Goodfellow I, Bengio Y, Courville A. Deep Learning. Cambridge: MIT Press, 2016. 800 p. ▼ Контекст
53. Gorelick N., Hancher M., Dixon M., Ilyushchenko S., Thau D., Moore R. Google Earth engine: Planetary-scale geospatial analysis for everyone // Rem. Sens. Environ. 2017. V. 202. Preprint. P. 18-27. ▼ Контекст
54. Grünig M., Razavi E., Calanca P., Mazzi D., Wegner J. D., Pellissier L. Applying deep neural networks to predict incidence and phenology of plant pests and diseases // Ecosphere. 2021. V. 12. N. 10. Article e03791. ▼ Контекст
55. Guo Q., Du S., Jiang J., Guo W., Zhao H., Yan X., Zhao Y., Xiao W.Combining GEDI and Sentinel data to estimate forest canopy mean height and aboveground biomass // Ecol. Inform. 2023. V. 78. Preprint. Article 102348. EDN: QCVJJT ▼ Контекст
56. Habeeb H. N., Mustafa Y. T. Deep learning approaches for estimating forest vegetation cover and exploring influential ecosystem factors // Earth Sci. Inform. 2024. V. 17. N. 4. P. 3379-3396. EDN: PMLGYY ▼ Контекст
57. Habeeb H. N., Mustafa Y. T. Deep learning-based prediction of forest cover change in Duhok, Iraq: Past and future // Forestist. 2025. V. 75. Preprint. Article 0068. ▼ Контекст
58. Hansen W. D., Schwartz N. B., Williams A. P., Albrich K., Kueppers L. M., Rammig A., Reyer C. P. O., Staver A. C., Seidl R. Global forests are influenced by the legacies of past inter-annual temperature variability // Environ. Res. Ecol. 2022. V. 1. N. 1. Article 011001. EDN: NYJGMS ▼ Контекст
59. Hansson A. C., Steen E., Andren O. Root-growth of daily irrigated and fertilized barley investigation with ingrowth cores, soil cores and minirhizotrons // Swed. J. Agr. Res. 1992. V. 22. N. 4. P. 141-152. ▼ Контекст
60. Hauglin M., Gobakken T., Astrup R., Ene L. Estimating single-tree crown biomass of Norway spruce by airborne laser scanning: A comparison of methods with and without the use of terrestrial laser scanning to obtain the ground reference data // Forests. 2014. V. 5. N. 3. P. 384-403. ▼ Контекст
61. Herold M., Carter S., Avitabile V., Espejo A. B., Jonckheere I., Lucas R., McRoberts R. E., Næsset E., Nightingale J., Petersen R. The role and need for space-based forest biomass-related measurements in environmental management and policy // Surv. Geophys. 2019. V. 40. N. 4. P. 757-778. EDN: VGMTPU ▼ Контекст
62. Hojo A., Avtar R., Nakaji T., Tadono T., Takagi K. Modeling forest above-ground biomass using freely available satellite and multisource datasets // Ecol. Inform. 2023. V. 74. N. 12. Article 101973. EDN: QKBZNA ▼ Контекст
63. Huang Y., Yan J., Zhang Y., Ye W., Zhang C., Gao P., Lv X. Automatic segmentation of cotton roots in high resolution minirhizotron images based on improved OCRNet // Front. Plant Sci. 2023. V. 14. Preprint. Article 1147034. ▼ Контекст
64. Hyyppä J., Kelle O., Lehikoinen M., Inkinen M. A segmentation based method to retrieve stem volume estimates from 3D tree height models produced by laser scanners // IEEE Trans. Geosci. Remote Sens. 2001. V. 39. N. 5. P. 969-975. ▼ Контекст
65. Irrgang C., Boers N., Sonnewald M., Barnes E. A., Kadow C., Staneva J., Saynisch-Wagner J. Towards neural Earth system modelling by integrating artificial intelligence in Earth system science // Nat. Mach.Intel. 2021. V. 3. N. 8. P. 667-674. EDN: BLNOXW ▼ Контекст
66. Jia X., Willard J., Karpatne A., Read J., Zwart J., Steinbach M., Kumar V. Physics guided RNNs for modeling dynamical systems: a case study in simulating lake temperature profiles // Proc. 2019 Soc. Industr. Appl. Mathem.Int. Conf. Data Mining (SDM), 2019. P. 558-566. ▼ Контекст
67. Jiang F., Deng M., Tang J., Fu L., Sun H.Integrating spaceborne lidar and Sentinel-2 images to estimate forest aboveground biomass in Northern China // Carbon Balance Manag. 2022. V. 17. Preprint. Article 12. EDN: LHRZFD ▼ Контекст
68. Johnson M. G., Tingey D. T., Phillips D. L., Storm M. J. Advancing fine root research with minirhizotrons // Environ. Exp. Bot. 2001. V. 45. N. 3. P. 263-289. EDN: AMXZBN ▼ Контекст
69. Karpatne A., Atluri G., Faghmous J. H., Steinbach M., Banerjee A., Ganguly A., Shekhar S., Samatova N., Kumar V. Theory guided data science: a new paradigm for scientific discovery from data // IEEE Trans. Knowl. Data Eng. 2017. V. 29. N. 10. P. 2318-2331. ▼ Контекст
70. Karpatne A., Ebert-Uphoff I., Ravela S., Babaie H. A., Kumar V. Machine learning for the geosciences: challenges and opportunities // IEEE Trans. Knowl. Data Eng. 2019. V. 31. N. 8. P. 1544-1554. ▼ Контекст
71. Kattenborn T., Eichel J., Wiser S., Burrows L., Fassnacht F. E., Schmidtlein S. Convolutional Neural Networks accurately predict cover fractions of plant species and communities in Unmanned Aerial Vehicle imagery // Rem. Sens. Ecol. Conserv. 2020. V. 6. N. 4. P. 472-486. EDN: NRLNKY ▼ Контекст
72. Kattge J., Bönisch G., Dıaz S., Lavorel S., Prentice I. C., Leadley P., Tautenhahn S., Werner G. D. A., Aakala T., Abedi M., Acosta A. T. R., Wirth C. TRY plant trait database - enhanced coverage and open access // GCB. 2020. V. 26. N. 1. P. 119-188. EDN: BXAOPJ ▼ Контекст
73. Kays R., McShea W. J., Wikelski M. Born-digital biodiversity data: Millions and billions // Divers. Distrib. 2020. V. 26. N. 5. P. 644-648. EDN: CBPQRR ▼ Контекст
74. Keitt T. H., Abelson E. S. Ecology in the age of automation // Science. 2021. V. 373 (6557). P. 858-859. EDN: WPXJWI ▼ Контекст
75. Keller M., Schimel D. S., Hargrove W. W., Hoffman F. M. A continental strategy for the National Ecological Observatory Network // Front. Ecol. Environ. 2008. V. 6. N. 5. P. 282-284. ▼ Контекст
76. Khwarahm N. R., Najmaddin P. M., Ararat K., Qader S. Past and future prediction of land cover land use change based on earth observation data by the CA-Markov model: A case study from Duhok governorate, Iraq // Arab. J. Geosci. 2021. V. 14. N. 15. Article 1544. EDN: QJIUWY ▼ Контекст
77. Koppa A., Rains D., Hulsman P., Poyatos R., Miralles D. G. A deep learning-based hybrid model of global terrestrial evaporation // Nat.Comm. 2022. V. 13. N. 1. Article 1912. EDN: WEQNVQ ▼ Контекст
78. Kraft B., Jung M., Körner M., Requena Mesa C., Cortes J., Reichstein M. Identifying dynamic memory effects on vegetation state using recurrent neural networks // Front. Big Data. 2019. V. 2. Preprint. Article 31. ▼ Контекст
79. LaDeau S. L., Han B. A., Rosi-Marshall E. J., Weathers K. C. The next decade of big data in ecosystem science // Ecosystems. 2017. V. 20. N. 2. P. 274-283. EDN: HHMBAY ▼ Контекст
80. Lannelongue L., Grealey J., Bateman A., Inouye M. Ten simple rules to make your computing more environmentally sustainable // PLoS Comp. Biol. 2021. V. 17. N. 9. Article e1009324. EDN: SYCKFE ▼ Контекст
81. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. V. 521 (7553). P. 436-444. ▼ Контекст
82. Luo M., Anees S. A., Huang Q., Qin X., Qin Z., Fan J., Han G., Zhang L., Shafri H. Z. M. Improving forest above-ground biomass estimation by integrating individual machine learning models // Forests. 2024. V. 15. N. 6. Article 975. EDN: QBZYYE ▼ Контекст
83. Mauya E. W., Koskinen J., Tegel K., Hämäläinen J., Kauranne T., Käyhkö N. Modelling and predicting the growing stock volume in small-scale plantation forests of Tanzania using multi-sensor image synergy // Forests. 2019.V. 10. N. 3. Article 279. ▼ Контекст
84. Mehmood K., Anees S. A., Rehman A., Rehman N. U., Muhammad S., Shahzad F., Liu Q., Alharbi S. A., Alfarraj S., Ansari M. J., Khan W. R. Assessment of climatic influences on net primary productivity along elevation gradients in temperate ecoregions // Trees Forest People. 2024a. V. 18. N. 8. Article 100657. EDN: PWJWUS ▼ Контекст
85. Mehmood K., Anees S. A., Rehman A., Tariq A., Liu Q., Muhammad S., Rabbi F., Pan S. A., Hatamleh W. A. Assessing forest cover changes and fragmentation in the Himalayan Temperate Region: implications for forest conservation and management // J. For. Res. 2024b. V. 35. N. 1. Article 82. EDN: BQBIHK ▼ Контекст
86. Mehmood K., Anees S. A., Rehman A., Tariq A., Zubair M., Liu Q., Rabbi F., Khan K. A., Luo M. Exploring spatiotemporal dynamics of NDVI and climate-driven responses in ecosystems: Insights for sustainable management and climate resilience // Ecol. Inf. 2024c. V. 80. Preprint. Article 102532. EDN: RAHYJV ▼ Контекст
87. Meng P., Wang H., Qin S., Li X., Song Z., Wang Y., Yang Y., Gao J. Health assessment of plantations based on lidar canopy spatial structure parameters // Int. J. Digit. Earth. 2022. V. 15. N. 1. P. 712-729. EDN: GLRRYG ▼ Контекст
88. Mzuri R. T., Omar A. A., Mustafa Y. T. Spatiotemporal analysis of vegetation cover and its response to terrain and climate factors in Duhok Governorate, Kurdistan Region, Iraq // Iraqi Geol. J. 2021. V. 54. N. 1A. P. 110-126. EDN: GSAMAN ▼ Контекст
89. Narine L. L., Popescu S. C., Malambo L. Using ICESat-2 to estimate and map forest aboveground biomass: A first example // Rem. Sens. 2020. V. 12. N. 11. Article 1824. EDN: GQAPPC ▼ Контекст
90. Ngwira S., Watanabe T. An analysis of the causes of deforestation in Malawi: A case of Mwazisi // Land. 2019. V. 8. N. 3. Article 48. ▼ Контекст
91. Olden J. D., Lawler J. J., Poff N. L. Machine learning methods without tears: a primer for ecologists // Q. Rev. Biol. 2008. V. 83. N. 2. P. 171-193. ▼ Контекст
92. Padalia H., Prakash A., Watham T. Modelling aboveground biomass of a multistage managed forest through synergistic use of Landsat-OLI, ALOS-2 L-band SAR and GEDI metrics // Ecol. Inf. 2023. V. 77. N. 12. Article 102234. EDN: HOZZTN ▼ Контекст
93. Pal M. Random forest classifier for remote sensing classification // Int. J. Rem. Sens. 2005. V. 26. N. 1. P. 217-222. ▼ Контекст
94. Perry G. L. W., Seidl R., Bellve A. M., Rammer W. An outlook for deep learning in ecosystem science // Ecosystems. 2022. V. 25. Preprint. P. 1700-1718. EDN: YSHGAF ▼ Контекст
95. Prasad A., Pedlar J., Peters M., Matthews S., Iverson L., McKenney D., Adams B. Understanding climate change dynamics of tree species: Implications for future forests // Future forests / S. G. McNulty (Ed.). Chapter 8. Elsevier, 2024. P. 151-175. ▼ Контекст
96. Rahmani F., Lawson K., Ouyang W., Appling A., Oliver S., Shen C. Exploring the exceptional performance of a deep learning stream temperature model and the value of streamflow data // Environ. Res. Lett. 2021. V. 16. N. 2. Article 024025. EDN: GRERGQ ▼ Контекст
97. Rahmanzadeh H., Shojaedini S. V. Novel automated method for minirhizotron image analysis: root detection using curvelet transform // IJE Trans. C Asp. 2016. V. 29. N. 3. P. 337-346. ▼ Контекст
98. Rammer W., Seidl R. A scalable model of vegetation transitions using deep neural networks // Methods Ecol. Evol. 2019a. V. 10. N. 6. P. 879-890. ▼ Контекст
99. Rammer W., Seidl R. Harnessing deep learning in ecology: an example predicting bark beetle outbreaks // Front. Plant Sci. 2019b. V. 10. Preprint. Article 1327. ▼ Контекст
100. Rammer W., Braziunas K. H., Hansen W. D., Ratajczak Z., Westerling A. L., Turner M. G., Seidl R. Widespread regeneration failure in forests of Greater Yellowstone under scenarios of future climate and fire // Glob. Change Biol. 2021. V. 27. N. 18. P. 4339-4351. EDN: FJLRAW ▼ Контекст
101. Rash A., Mustafa Y., Hamad R. Quantitative assessment of land use/land cover changes in a developing region using machine learning algorithms: A case study in the Kurdistan Region, Iraq // Heliyon. 2023. V. 9. N. 11. Article e21253. EDN: MMBONF ▼ Контекст
102. Rawat W., Wang Z. Deep convolutional neural networks for image classification: a comprehensive review // Neural Comp. 2017. V. 29. N. 9. P. 2352-2449. EDN: YEQUVN ▼ Контекст
103. Razavi S. Deep learning, explained: Fundamentals, explainability, and bridge ability to process-based modelling // EMS. 2021. V. 144. N. 4. Article 105159. ▼ Контекст
104. Read J. S., Jia X., Willard J., Appling A. P., Zwart J. A., Oliver S. K., Karpatne A., Hansen G. J. A., Hanson P. C., Watkins W., Steinbach M., Kumar V. Process-guided deep learning predictions of lake water temperature // WRR. 2019. V. 55. N. 11. P. 9173-9190. EDN: DKZMJY ▼ Контекст
105. Reichstein M., Camps-Valls G., Stevens B., Jung M., Denzler J., Carvalhais N., Prabhat. Deep learning and process understanding for data-driven Earth system science // Nature. 2019. V. 566 (7743). P. 195-204. EDN: LOYWHB ▼ Контекст
106. Rocha K. D., Silva C. A., Cosenza D. N., Mohan M., Klauberg C., Schlickmann M. B., Xia J., Leite R. V., Alves de Almeida D. R., Atkins J. W., Cardil A., Rowell E., Parsons R., Sánchez-López N., Prichard S. J., Hudak A. T. Crown-level structure and fuel load characterization from airborne and terrestrial laser scanning in a longleaf pine (Pinus palustris Mill.) forest ecosystem // Rem. Sens. 2023. V. 15. N. 4. Article 1002. EDN: QPNOHP ▼ Контекст
107. Saim A. A., Aly M. H. Machine learning and multisensor data fusion for forest aboveground biomass estimation in Arkansas // Earth Syst. Environ. 2025. Preprint. P. 1-18. ▼ Контекст
108. Schiller C., Schmidtlein S., Boonman C., Moreno-Martınez A., Kattenborn T. Deep learning and citizen science enable automated plant trait predictions from photographs // Sci. Rep. 2021. V. 11. N. 1. Article 16395. EDN: KDWOOH ▼ Контекст
109. Schwartz R., Dodge J., Smith N. A., Etzioni O. Green AI // Comm. ACM. 2020. V. 63. N. 12. P. 54-63. EDN: FRIZDO ▼ Контекст
110. Selmy S. A. H., Kucher D. E., Mozgeris G., Moursy A. R. A., Jimenez-Ballesta R., Kucher O. D., Fadl M. E., Mustafa A. A. Detecting, analyzing, and predicting land use/land cover (LULC) changes in arid regions using Landsat images, CA-Markov hybrid model, and GIS techniques // Rem. Sens. 2023. V. 15. N. 23. Article 5522. EDN: TQVWFK ▼ Контекст
111. Shojaedini S. V., Heidari M. A new method for root detection in minirhizotron images: Hypothesis testing based on entropy-based geometric level set decision // I. J. E. Trans. A Basics. 2013. V. 27. N. 1. P. 91-100. ▼ Контекст
112. Singh K. K., Chen G., McCarter J. B., Meentemeyer R. K. Effects of lidar point density and landscape context on estimates of urban forest biomass // ISPRS J. Photogram. Rem. Sens. 2015. V. 101. N. 3-4. P. 310-322. ▼ Контекст
113. Smith A. G., Petersen J., Selvan R., Rasmussen C. R. Segmentation of roots in soil with U-Net // Plant Methods. 2020. V. 16. N. 1. Article 13. EDN: KSVNWB ▼ Контекст
114. Stefanidou A., Dragozi E., Tompoulidou M., Gitas I. Z. Forest/non forest mapping using Landsat thematic mapper imagery and Artificial Neural Networks (ANNs) // Вестн. Поволж. гос. технол. ун-та. Сер.: Лес. Экол. Природопольз. 2015. T. 25. № 1. С. 22-33 [Vestn. Povolzh. gos. un-ta (Vestn. Volga St. Univ. Technol. Ser.: For. Ecol. Nat. Manag.)]. 2015. V. 25. N. 1. P. 22-33. EDN: TNJLED ▼ Контекст
115. Strubell E., Ganesh A., McCallum A. Energy and policy considerations for modern deep learning research // Proc. Conf. AAAI Artif.Intel. 2020. V. 34. N. 9. P. 13693-13696. ▼ Контекст
116. Torrey L., Shavlik J. Transfer learning // Handbook of Research on Machine Learning Applications and Trends: Algorithms, Methods, and Techniques. Hershey: IGI global, 2010. P. 242-264. ▼ Контекст
117. Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A. N., Kaiser Ł., Polosukhin I. Attention is all you need // Proc. 31st Int. Conf. Neural Inform. Proces. Syst. NIPS’17. Red Hook, NY, USA: Curran Ass. Inc., 2017. P. 6000-6010. ▼ Контекст
118. Wang D., Barabasi A.-L. The Science of Science. 1st ed. Cambridge: Cambridge Univ. Press, 2021. 326 p. ▼ Контекст
119. Wang P., Tan S., Zhang G., Wang S., Wu X. Remote sensing estimation of forest aboveground biomass based on Lasso-SVR // Forests. 2022. V. 13. N. 10. Article 1597. EDN: YIBYYK ▼ Контекст
120. Wang T., Rostamza M., Song Z., Wang L., McNickle G., Iyer-Pascuzzi A. S., Qiu Z., Jin J. SegRoot: a high throughput segmentation method for root image analysis // Comp. Electr. Agr. 2019. V. 162. Preprint. P. 845-854. ▼ Контекст
121. Wang X., Girshick R., Gupta A., He K. Non-local neural networks 2018 // IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2018, Salt Lake City, UT, USA, 2018. P. 7794-7803. ▼ Контекст
122. Warren J. M., Hanson P. J., Iversen C., Kumar J., Walker A. P., Wullschleger S. D. Root structural and functional dynamics in terrestrial biosphere models-evaluation and recommendations // New Phytol. 2015. V. 205. N. 1. P. 59-78. EDN: UTMRUV ▼ Контекст
123. Way D. A., Pearcy R. W. Sunflecks in trees and forests: from photosynthetic physiology to global change biology // Tree Physiol. 2012. V. 32. N. 9. P. 1066-1081. ▼ Контекст
124. Xie D., Huang H., Feng L., Sharma R. P., Chen Q., Liu Q., Fu L. Aboveground biomass prediction of arid shrub-dominated community based on airborne LiDAR through parametric and nonparametric methods // Rem. Sens. 2023. V. 15. N. 13. Article 3344. EDN: NOXSHK ▼ Контекст
125. Xu T., Longyang Q., Tyson C., Zeng R., Neilson B. T. Hybrid physically based and deep learning modeling of a snow dominated, mountainous, karst watershed // Water Res. Res. 2022. V. 58. N. 3. Article 030993. EDN: VLJQUS
126. Xu W., Yu G., Zare A., Zurweller B., Rowland D. L., Reyes-Cabrera J., Fritschi F. B., Matamala R., Juenger T. E. Overcoming small minirhizotron datasets using transfer learning // Comp. Electr. Agr. 2020. V. 175. Preprint. Article 105466. EDN: ZTMIHJ
127. Yan J., Wang X. Unsupervised and semi-supervised learning: the next frontier in machine learning for plant systems biology // Plant J. 2022. V. 111. N. 6. P. 1527-1538. EDN: EGRONT ▼ Контекст
128. Yasrab R., Atkinson J. A., Wells D. M., French A. P., Pridmore T. P., Pound M. P. RootNav 2.0: Deep learning for automatic navigation of complex plant root architectures // GigaScience. 2019. V. 8. N. 11. Article 123. ▼ Контекст
129. Yosinski J., Clune J., Bengio Y., Lipson H. How transferable are features in deep neural networks? // Proc. 27th Int. Conf. Neural Inform. Proces. Syst. V. 2. NIPS’14. Cambridge, MA, USA: MIT Press, 2014. P. 3320-3328. ▼ Контекст
130. Yu G., Zare A., Sheng H., Matamala R., Reyes-Cabrera J., Fritschi F. B., Juenger T. E. Root identification in minirhizotron imagery with multiple instance learning // Mach. Vis. Appl. 2020. V. 31. N. 6. Article 43. EDN: RACTTY
131. Zeng G., Birchfield S. T., Wells C. E. Detecting and measuring fine roots in minirhizotron images using matched filtering and local entropy thresholding // Mach. Vis. Appl. 2006. V. 17. N. 4. P. 265-278. EDN: TSUYEY ▼ Контекст
132. Zeng G., Birchfield S. T., Wells C. E. Rapid automated detection of roots in minirhizotron images // Mach. Vis. Appl. 2010. V. 21. N. 3. P. 309-317. EDN: OCHOQF ▼ Контекст
133. Zhang H. K., Roy D. P., Yan L., Li Z., Huang H., Vermote E., Skakun S., Roger J. C. Characterization of Sentinel-2A and Landsat-8 top of atmosphere, surface, and nadir BRDF adjusted reflectance and NDVI differences // Rem. Sens. Environ. 2019. V. 215. Preprint. P. 1-13. ▼ Контекст
134. Zhang Y., Gao Z., Wang X., Liu Q. Image representations of numerical simulations for training neural networks // Comp. Model Eng. Sci. 2023. V. 134. N. 2. P. 1-13. EDN: EPVAQZ ▼ Контекст
135. Zhang Y., Ma J., Liang S., Li X., Li M. An evaluation of eight machine learning regression algorithms for forest aboveground biomass estimation from multiple satellite data products // Rem. Sens. 2020. V. 12. N. 24. Article 4015.
136. Zheng J., Xin D., Cheng Q., Tian M., Yang L. The random forest model for analyzing and forecasting the US stock market in the context of smart finance // Proc. 3rd Int. Acad. Conf. Blockchain, Inform. Technol. Smart Finance (ICBIS 2024), Atlantis Highlights in Comp. Sci. 2024. V. 21. P. 82-90.
137. Zhi W., Feng D., Tsai W.-P., Sterle G., Harpold A., Shen C., Li L. From hydrometeorology to river water quality: can a deep learning model predict dissolved oxygen at the continental scale? // Environ Sci. Technol. 2021. V. 55. N. 4. P. 2357-2368.
138. Zhou G., Tang Y., Zhang W., Liu W., Jiang Y., Gao E., Bai Y. Shadow detection on high-resolution digital orthophoto map using semantic matching // IEEE Trans. Geosci. Rem. Sens. 2023. V. 61. Preprint. Article 4504420.
Выпуск
Другие статьи выпуска
Лес представляет собой сложную биологическую систему, постоянно находящуюся в условиях взаимодействия с атмосферой и подвергающуюся влиянию содержащихся в ней техногенных примесей. Исследованы морфолого-анатомические показатели хвои подроста сосны обыкновенной (Pinus sylvestris L.) в насаждениях, произрастающих как в условиях минимального антропогенного воздействия, так и находящихся под воздействием техногенных выбросов. Для изучения влияния атмосферного загрязнения были отобраны две точки на территории г. Красноярска (Академгородок и остров Татышев), точка в Березовском районе (скала Чертов Палец) и две точки в Западном Саяне (руч. Медовый ключ и урочище Титенкино). Для наибольшей информативности отбирался подрост высотой до 2.5 м. Данные об атмосферном загрязнении на выбранных точках были получены из Государственного доклада «О состоянии и охране окружающей среды в Красноярском крае в 2023 году». Изучены морфолого-анатомические признаки хвои сосны обыкновенной: длина, ширина и толщина хвои, ширина и толщина центрального цилиндра, размеры проводящих пучков, количество и размеры смоляных ходов. Выявлены изменчивые и стабильные признаки внутреннего строения хвои, из них наиболее изменчивыми оказались длина и толщина хвои, число смоляных ходов, наиболее стабильными – ширина хвои, размеры центрального цилиндра, ширина проводящих пучков, средний диаметр смоляного хода. Показано, что в условиях антропогенной нагрузки хвоя имеет меньшую длину и ширину, а также число смоляных ходов. Установлено, что многие данные относительно морфологии хвои, подверженной разным воздействиям, остаются спорными и требуют дальнейших исследований. Полученные результаты свидетельствуют о высокой чувствительности морфологических признаков хвои к изменениям окружающей среды и еще раз подчеркивают возможность использования этих показателей в качестве индикаторов экологического состояния лесных экосистем.
Сосна стланиковая (Pinus pumila (Pall.) Regel) является ценным источником пищевых липидов, содержащих биологически активные жирные кислоты (ЖК), включая пиноленовую, линолевую и олеиновую, обладающих противовоспалительными, гиполипидемическими и кардиопротективными свойствами, оказывающих ряд благоприятных эффектов на массу тела, а также на отложение жира за счет увеличения расход энергии (окисление жирных кислот) и снижение потребления энергии с пищей (снижение аппетита). Сбор шишек сосны стланиковой проводили на территории Бодайбинского района Иркутской области вблизи пос. Артемовского и в Билибинском районе Чукотского автономного округа на месторождении Баимка (Песчанка). Гравиметрическим методом установлено высокое содержание липидов в семенах сосны стланиковой: на территории Иркутской области общее содержание липидов – 66.25 %, а на территории Чукотского АО – 64.67 %, что подтверждает их питательную и функциональную ценность. Методом газовой хроматографии с масс-спектрометрическим детектированием (ГХ-МС) определено содержание жирных кислот: линолевая (42.29–42.43 %), олеиновая (24.58–25.51 %) и пиноленовая (17.27–18.29 %) кислоты оказались доминирующими жирными кислотами, тогда как доля насыщенных ЖК (пальмитиновой и стеариновой) не превышала 7.5 %, что дополнительно повышает питательную привлекательность сырья. Установлено, что общее содержание липидов и профиль большинства ЖК сохраняются на высоком и стабильном уровне. Однако выявлены статистически значимые различия в содержании пиноленовой кислоты между семенами из разных регионов (p < 0.05), что может быть связано с климатическими условиями произрастания. Полученные результаты свидетельствуют о высокой перспективности использования липидов сосны стланиковой для разработки инновационных функциональных пищевых продуктов, биологически активных добавок и фармацевтических препаратов, направленных на коррекцию метаболических нарушений и улучшение кардиоваскулярного здоровья.
Род ива (Salix L.), характеризующийся широким распространением полиплоидии (от 2n = 38 до 12n = 228) и нестабильностью числа хромосом, представляет значительный интерес для эволюционной биологии и селекции. Аркто-монтанные ивы обладают ценными адаптациями к экстремальным условиям среды и декоративным потенциалом для ландшафтного дизайна, однако остаются мало изученными в цитогенетическом аспекте, особенно на территории России, где преобладают таксономические и экологические исследования. Данная работа восполняет этот пробел, апробируя методику проточной цитометрии для определения уровня плоидности 13 образцов аркто-монтанных ив из коллекции Ботанического сада УрО РАН (г. Екатеринбург). В исследовании использован метод внешней стандартизации, основанный на вычислении соотношения интенсивности флуоресценции ядер образцов с последующим определением содержания ДНК методом внутренней стандартизации (с использованием паслена ложноперечного (Solanum pseudocapsicum L.), петрушки кудрявой (Petroselinum crispum (Mill.) Fuss), гороха посевного (Pisum sativum L.)). Методика была оптимизирована добавлением 2 % PVP для нейтрализации вторичных метаболитов. Результаты подтвердили диплоидный уровень (2х) для ивы ползучей (Salix repens L.), и. пиренейской (S. pyrenaica Gouan), и. деревцевидной (S. arbuscula L.), и. скальной (S. saxatilis Turcz.), и. вонючей (S. foetida Schleich. ex DC.) и тетраплоидный (4х) для и. сизоватой (S. caesia Vill.). Образцы и. туполистной (S. retusa L.), S. glauca var. callicarpaea Haltia и S. foetida × retusa оказались октаплоидными (8х), а и. сизой (S. glauca L.) – декаплоидными (10х). Полученные данные по плоидности и содержанию ДНК важны для таксономии, выявления гибридов и отбора перспективного материала для селекции. Для подтверждения родительских форм гибридных таксонов требуются дальнейшие молекулярно-генетические исследования.
На примере Исетского гранитного карьера (Средне-Уральский таежный район) изучены видовое разнообразие, надземная фитомасса и проективное покрытие живого напочвенного покрова (ЖНП) в первые годы после проведения рекультивационных работ по лесохозяйственному направлению. Актуальность исследования обусловлена необходимостью оценки эффективности рекультивации и состояния экосистем на нарушенных землях. Установлено, что спустя 1–2 года после создания лесных культур число видов ЖНП на обследованных участках варьирует от 16 до 29. Через год после проведения рекультивационных работ надземная фитомасса варьирует от 101.8 до 130.3 кг/га в абсолютно сухом состоянии, а спустя 2 года – от 552.9 до 1056.5 кг/га. Видовое разнообразие и продуктивность сообществ имеют тенденцию к увеличению уже в первые 2 года после завершения рекультивации. В надземной фитомассе ЖНП доминируют виды синантропной эколого-ценотической группы. Несмотря на значительное число видов ЖНП, во всех семи вариантах опыта с разной мощностью отсыпки почвогрунта в надземной фитомассе доминируют 1–2 вида, на долю которых приходится более половины общей надземной фитомассы в абсолютно сухом состоянии. В первый год после завершения рекультивационных работ это марь белая (Chenopodium album L.), а на 2-й год – иван-чай узколистный (Chamaenerion angustifolium (L.) Scop.), щавелек обыкновенный (Rumex acetosella L.), клевер ползучий (Trifolium repens L.).
Издательство
- Издательство
- КНЦ СО РАН
- Регион
- Россия, Красноярск
- Почтовый адрес
- 660036, Красноярский край, г. Красноярск, ул. Академгородок, 50
- Юр. адрес
- 660036, Красноярский край, г. Красноярск, ул. Академгородок, 50
- ФИО
- Шпедт Александр Артурович (Директор)
- E-mail адрес
- fic@ksc.krasn.ru
- Контактный телефон
- +7 (391) 2434512
- Сайт
- http://ksc.krasn.ru