За последние годы внутренний туризм становится все более популярным. В частности, туристический поток на Горный Алтай достиг отметок в один миллион человек. На фоне такого увеличения потока туристов соразмерно возрастает антропогенная нагрузка на природную среду. Поэтому сегодня особенно важно оперативно и количественно оценивать эту нагрузку, выявлять участки, которые значительно изменились под её воздействием, а также прогнозировать будущие изменения. В условиях малого количества точек наземных наблюдений на первый план выходят методы анализа данных дистанционного зондирования — спутниковых снимков и цифровых моделей рельефа.
Сотрудники лаборатории ГИТ и ДЗ разработали подход, объединяющий оценку экологического состояния с помощью индекса RSEI (Remote Sensing Ecological Index) и управляемую классификацию методом случайного леса. Этот подход они опробовали при анализе изменений в районе озера Манжерок, которые произошли с 2020 года по 2025. Результаты исследования были опубликованы в высокорейтинговом журнале Sustainability:
Kartoziia A.A. A Google Earth Engine Framework for Spatiotemporal RSEI Analysis and LULC Mapping: Assessing Ecological Changes Associated with Tourism Development in the Altai Mountains // Sustainability 2026, 18(17), 8623. (Q1 SJR, Q2 WoS)
Местоположение исследуемой территории обозначено красной точкой на спутниковом снимке регионального масштаба (а) и очерчено контуром на спутниковом снимке (б). Исследуемая территория охватывает окрестности озера Манжерок и долину реки Катунь, являющиеся одним из самых популярных туристических направлений в Алтайских горах. В последние годы в этом районе ведется значительное строительство, связанное с туризмом.
Особенность методики заключается в объединении двух способов оценки экологического состояния территории. Это индекс RSEI (Remote Sensing Ecological Index) и управляемая классификация методом случайного леса (Random Forest).
Индекс RSEI является интегральным показателем, который объединяет четыре компоненты: зелёность, влажность, степень застроенности и температуру поверхности. С помощью этого индекса ученые оценивают динамику изменений на определенной территории. То есть определяют по каждому параметру, изменилось ли состояние в худшую сторону (например, произошли процессы застройки или деградации территории) или в лучшую.
Пространственное распределение RSEI в (а) 2020 и (б) 2025 годах, классифицированного по пяти уровням качества окружающей среды от плохого (0,0–0,2) до отличного (0,8–1,0). На панели (в) показано изменение уровня в период с 2020 по 2025 год. При этом 92,15% исследуемой территории сохранили свой экологический статус, тогда как на 5,89% произошло его снижение. Эти территории также визуально совпали с местами, где в течение исследуемого периода велось новое строительство и развитие инфраструктуры.
Параллельно с расчетом индекса RSEI исследователи провели так называемую управляемую классификацию изображений. Они выделили на территории три больших класса: леса, поля, скалы/здания. Далее специальным алгоритмом машинного обучения — методом случайного леса — ученые классифицировали каждый пиксель изображения и узнали к какому классу он относится.
Средняя спектральная отражательная способность трех классов LC (гистограммы) и полученные карты LULC за 2020 (а) и 2025 (б). Столбцы представляют собой средние нормализованные значения отражательной способности снимков Sentinel-2 в десяти спектральных диапазонах, используемых для классификации. Классы LULC включают: (1) леса; (2) поля; (3) скалы/здания; и (4) водные поверхности (синие), которые были замаскированы на основе порогового значения MNDWI.
После процедуры классификации снимков за 2020 и 2025 годы ученые сформировали матрицу переходов. Они выявили участки, которые, например, в 2020 году были лесом, а в 2025 уже стали застроенной или оголенной территорией. Или, наоборот, участки, которые ранее относились к классу скалы/здания, а перешли в класс поле, например заросшие строительные площадки и карьеры. Для каждого из этих переходов авторы исследования рассчитали изменения в индексе RSEI. Результаты показали, что за пять лет на изученной территории застроенные и оголённые участки выросли в площади с 9,89 до 18,17 км². Леса потеряли 9,57 км². На 5,9% площади экологическое состояние ухудшилось. Наибольшее падение индекса дали переходы леса в застройку (−0,29) и лугов в застройку (−0,20). Обратные смены повышали индекс до +0,16. При этом около 92% территории остались стабильными.
Примеры изменений землепользования и соответствующего и соответствующих изменений индекса RSEI (ΔRSEI) для двух участков: (а) новый горнолыжный склон и (б) карьер. На изображениях показаны: RGB-изображения (2020 и 2025 гг.), карты землепользования (LULC) и ΔRSEI (2020 и 2025 гг.) и значения ΔRSEI. Классы землепользования и ΔRSEI: 1 — лес (зеленый), 2 — поля (светло-зеленый) и 3 — скалы/здания. Значения ΔRSEI варьируются от −1, указывающего на деградацию (желтый), до 1, указывающего на улучшение (синий).
«Методически исследование не предлагает принципиально новых алгоритмов. RSEI и Random Forest широко применяются в анализе данных дистанционного зондирования. Однако сильной стороной исследования является комбинация двух независимых подходов (индексный RSEI и управляемая классификация) в облачном сервисе с последующим сопоставлением переходов между классами и изменений RSEI. Это не тривиально, так как большинство работ используют либо одно, либо другое. Кроме того, это первое исследование такого рода для российской части Горного Алтая», — отмечает автор исследования, ученый секретарь ИГМ СО РАН, с.н.с., к.г.-м.н. Картозия Андрей, —
«Предложенный нами подход позволяет увидеть зоны риска. Значения индекса хоть и стоит считать как относительные сдвиги, но для планирования ограничений и восстановительных мероприятий этого вполне достаточно.»
Проведенная работа подтвердила пространственную корреляцию между улучшением или ухудшением индекса RSEI и изменением класса земной поверхности. Другими словами, разработанная методика позволяет количественно оценить изменения экологического состояния территорий. Практическая значимость исследования заключается в создании воспроизводимого инструмента, который позволяет органам власти, природоохранным организациям и бизнесу оперативно отслеживать экологические последствия развития туристической инфраструктуры в районах с ограниченными данными, выявлять конкретные участки деградации и зоны естественного восстановления, а также принимать обоснованные решения по территориальному планированию, минимизации ущерба и сохранению природного наследия.
Финансирование исследования осуществлялось по государственному заданию ИГМ СО РАН (FWZN-2026-0004).