Бидний тухай
Багш ажилтан
Дэлхийджижиг мэрэгч амьтад тэдгээрийн тоо толгой, өсөлтийн динамик, амьдралын мөчлөгийн хэлбэлзэл, түүнийдалайц зэрэгтолон эрдэмтэн, судлаачийн анхаарал татагддаг.Хөлөнбуйрын тал нутаг болдэлхийн мал аж ахуйн үйлдвэрлэлийн чухал төвүүдийн нэг бөгөөд сүүлийн хэдэн арван жилд тус бүс нутаг тал хээрийн мэрэгч амьтад,тухайлбал үлийн цагаан оготно (Lasiopodymys brandtii)-ны тархалтаас үүдсэн экологийн хүнд сорилтуудтай тулгараад байна. Энэ мэрэгч нь улирлын чанартай үржин өсдөг бөгөөдтоо толгой нь эрс нэмэгдсэн.Жилд тэдний сөрөг нөлөөлөл, хор уршиг эрс нэмэгдэж тэднийг нэн хортон шавьжийн ангилалд оруулдаг. Өмнөх судалгаануудаас үзэхэд үлийн цагаан оготны газарзүйн тархалт нь орон зайн хувьд илүү өргөн бүс нутагт тархах хандлагатай байгаа чтэрхүү тархалтыг тодорхойлох үндсэн үзүүлэлт болтэдний нүхний бөөгнөрлийг (нүх) илрүүлэх явдал болохыг нотолсон.Энэхүү судалгаагаар 2021 он (Брандтын оготнын тоо толгой эрс өссөн)-ы 1000км²-аас дээш талбайг хамарсан GF-2 хиймэл дагуулын хоёр зургийг ашиглан Хөлөнбуйрын тал нутагт үлийн цагаан оготны үүрний бөөгнөрлийг илрүүлэхийг зорьсон. Үүнд зорилтот объектын Faster R-CNN загварыг гурван төрлийн илрүүлэх арга болох объектод суурилсан ангилал (object-based image classification), ургамлын индексийн ангилал (vegetation index classification) болон бүтцэд үндэслэсэн ангилал (texture classification)-тай хослуулан ашигласан.Үрдүнгээрүлийнцагаан оготны нүх илрүүлэхэд объектод суурилсан ангиллын аргабол хамгийн өндөр үзүүлэлтийг үзүүлж, хоёрзургийн дундаж F1 үзүүлэлтнь 0.722, дундаж нарийвчлал нь (AP) 63.80%-д хүрчээ. Бүтцэд үндэслэсэн ангиллаар арай бага дундаж нарийвчлал бүхий үр дүн буюу дундаж F1 үзүүлэлтнь 0,666; дундаж нарийвчлал нь 55.95%-тай тооцоологдсонболно. Харин ургамлын индексийн ангиллаар F1 үзүүлэлт нь дөнгөж 0.437, дундаж нарийвчлал нь 29.45% хувь болжээ. Энэ нь голдуу тухайн бүс нутгийн уур амьсгал, ургамлын ногооролтын хэмжээнээс шалтгаалсан үр дүн юм. Ерөнхийдөө тус судалгаа нь өндөр нарийвчлалтай хиймэл дагуулын зургийг гүн сургалтад суурилсан объект илрүүлэх аргатай хослуулан хэрэглэх нь хуурай буюу хагас хуурай бүс нутгийн тал хээрийн жижиг мэрэгч амьтны тоо толгойн мониторинг, менежментэд чухал ач холбогдолтойг харуулж байна.
Understanding the spatial and temporal patterns of forest fires, along with the key factors influencing their occurrence, and accurately forecasting these events are crucial for effective forest management. In the Central-South region of China, forest fires pose a significant threat to the ecological system, public safety, and economic stability. This study employs Geographic Information Systems (GISs) and the LightGBM (Light Gradient Boosting Machine) model to identify the determinants of forest fire incidents and develop a predictive model for the likelihood of forest fire occurrences, in addition to proposing a zoning strategy. The purpose of the study is to enhance our understanding of forest fire dynamics in the Central-South region of China and to provide actionable insights for mitigating the risks associated with such disasters. The findings reveal the following: (i) Spatially, fire incidents exhibit significant clustering and autocorrelation, highlighting areas with heightened likelihood. (ii) The Central-South Forest Fire Likelihood Prediction Model demonstrates high accuracy, reliability, and predictive capability, with performance metrics such as accuracy, precision, recall, and F1 scores exceeding 85% and AUC values above 89%, proving its effectiveness in forecasting the likelihood of forest fires and differentiating between fire scenarios. (iii) The likelihood of forest fires in the Central-South region of China varies across regions and seasons, with increased likelihood observed from March to May in specific provinces due to various factors, including weather conditions and leaf litter accumulation. Risks of localized fires are noted from June to August and from September to November in different areas, while certain regions continue to face heightened likelihood from December to February.
Abstract: Understanding the spatial and temporal patterns of forest fires, along with the key fac-tors influencing their occurrence, and accurately forecasting these events are crucial for effective forest management. In the Central-South region of China, forest fires pose a significant threat to the ecological system, public safety, and economic stability. This study employs Geographic Informa-tion Systems (GISs) and the LightGBM (Light Gradient Boosting Machine) model to identify the determinants of forest fire incidents and develop a predictive model for the likelihood of forest fire occurrences, in addition to proposing a zoning strategy. The purpose of the study is to enhance our understanding of forest fire dynamics in the Central-South region of China and to provide actionable insights for mitigating the risks associated with such disasters. The findings reveal the following: (i) Spatially, fire incidents exhibit significant clustering and autocorrelation, highlighting areas with heightened likelihood. (ii) The Central-South Forest Fire Likelihood Prediction Model demonstrates high accuracy, reliability, and predictive capability, with performance metrics such as accuracy, precision, recall, and F1 scores exceeding 85% and AUC values above 89%, proving its effectiveness in forecasting the likelihood of forest fires and differentiating between fire scenarios.(iii) The likelihood of forest fires in the Central-South region of China varies across regions and seasons, with increased likelihood observed from March to May in specific provinces due to various factors, including weather conditions and leaf litter accumulation. Risks of localized fires are noted from June to August and from September to November in different areas, while certain regions continue to face heightened likelihood from December to February.
Most small rodent populations worldwide exhibit fascinating population dynamics, capturing the attention of numerous scholars due to their multiyear cyclic fluctuations in population size and the astonishing amplitude of these fluctuations. Hulunbuir steppe stands as a crucial global hub for livestock production, yet in recent decades, the area has faced recurring challenges from steppes rodent invasions, with Brandt’s vole (Lasiopodomys brandtii, BV) being particularly rampant among them. They not only exhibit seasonal reproduction but also strong social behavior, and are generally considered pests, especially during population outbreak years. Prior studies suggest that BV population outbreaks tend to occur across a wider geographic area, and a strong indicator for identifying rodent outbreaks is recognizing their burrow clusters (burrow systems). Hence, this paper conducts target object detection of BV burrow clusters in the typical steppes of Hulunbuir using two GF-2 satellite images from 2021 (the year of the BV outbreak). This task is accomplished by incorporating the Faster R-CNN model in combination with three detection approaches: object-based image classification (OBIC), based on vegetation index classification (BVIC), and based on texture classification (BTC). The results indicate that OBIC demonstrated the highest robustness in BV burrow cluster detection, achieving an average AP of 63.80% and an F1 score of 0.722 across the two images. BTC exhibited the second-highest level of accuracy, achieving an average AP of 55.95% and an F1 score of 0.6660. Moreover, this approach displayed a strong performance in BV burrow clusters localization. In contrast, BVIC achieved the lowest level of accuracy among the three methods, with an average AP of only 29.45% and an F1 score of 0.4370. Overall, this study demonstrates the crucial role of utilizing high-resolution satellite imagery combined with DL-based object detection techniques in effectively monitoring and managing the potential outbreaks of steppe rodent pests across larger spatial extents.
Due to the intensification of climate change around the world, the incidence of natural disasters is increasing year by year, and monitoring, forecasting, and detecting evolution using satellite imaging technology are important methods for remote sensing. This study aimed to monitor the occurrence of fire disasters using Sentinel-2 satellite imaging technology to determine the burned-severity area via classification and to study the recovery process to observe extraordinary natural phenomena. The study area that was sampled was in the southeastern part of Mongolia, where most wildfires occur each year, near the Shiliin Bogd Mountain in the natural steppe zone and in the Bayan-Uul sub-province in the forest-steppe natural zone. The normalized burn ratio (NBR) method was used to map the area of the fire site and determine the classification of the burned area. The Normalized Difference Vegetation Index (NDVI) was used to determine the recovery process in a timely series in the summer from April to October. The results of the burn severity were demonstrated in the distribution maps from the satellite images, where it can be seen that the total burned area of the steppe natural zone was 1164.27 km2, of which 757.34 km2 (65.00 percent) was classified as low, 404.57 km2 (34.70 percent) was moderate-low, and the remaining 2.36 km2 (0.30 percent) was moderate-high, and the total burned area of the forest-steppe natural zone was 588.35 km2, of which 158.75 km2 (26.98 percent) was classified as low, 297.75 km2 (50.61 percent) was moderate-low, 131.25 km2 (22.31 percent) was moderate-high, and the remaining 0.60 km2 (0.10 percent) was high. Finally, we believe that this research is most helpful for emergency workers, researchers, and environmental specialists.
Дэлхий дахинаа байгаль, нийгэмцаашлаад нийгэм-эдийн засагт асар их хохирол үзүүлж байдаг олон янзын байгалийн гамшиг тохиолддог бөгөөд тэдгээрийн нэг нь ой,хээрийн түймэр юм.Байгалийн гамшигт үзэгдэл, байгалийн нөөцийн судалгаанд зайнаас тандан судалгааны аргыг өргөн ашиглаж, хяналт, мониторинг хийж байна. Ой,хээрийн түймрийн голомтыг цаг тухайд нь зөв тооцоолох нь түймрийн дараах менежмент, шийдвэр гаргахад онцгой ач холбогдолтой. Энэхүү судалгаагаар Европын Сансар Судлалын Агентлагийн(ESA) ‘Sentinel-2’хиймэл дагуулын зургийг ашиглан Дорнод аймгийн Баян-Уулболон Баяндун сумдын нутагт гарсан ой,хээрийн түймэрт өртсөн талбайг тооцоолох, шатсан талбарын зэрэглэлийг тогтоох,хүчин зүйлүүдтэй харьцуулан тодорхойлохявдал юм. Судалгаанд нормчилсон шаталтын харьцаа буюу ‘NBR’, ‘NBR+’ индексүүдийг түймэр гарахын өмнө болон дараах хиймэл дагуулын зурагт суурилан тооцоолон гаргасан. Нийт 58,131.6 га талбай түймэрт өртсөнбөгөөдтухайн шатсан талбайгАНУ-ын Геологийн албанаас санал болгосон шаталтын зэрэглэлийн ангиллаартооцоход шаталтын бага зэрэглэлтэй 15,423.7 га буюу 26.3%, дундаас доогуурзэрэглэлтэй 29,529.4 га буюу 50.4%, дундааж дээгүүрзэрэглэлтэй 13,160.2 га буюу 22.5%, өндөрзэрэглэлтэй 18.3га буюу 0.03%-ийг эзэлж байна.Нийт шатсан талбайн 7,181.5 га буюу 12.4%-ийг ойн талбайн эзэлж байна. Түймэрт өртсөн нийт талбайн 87.6% нь Монгол улсад, 12.4%нь ОХУ-ын нутагдэвсгэртбайна. Түймрийн шаталтын зэрэглэлднөлөөлж болох байгаль, газарзүйн 10 хүчин зүйлийг харьцуулан хамаарлыг Пирсоны корреляцийн коэффициентоор тооцоход 4 хүчин зүйл эерэг сул хамааралтай, 6 хүчин зүйл сул сөрөг хамааралтай гарсан. Түймрийн шаталтын зэрэглэлдбусад хүчин зүйлүүдээсээ хамгийн өндөрнөлөө үзүүлсэн хүчин зүйл ургамлын нормчилсон ялгаврын индекс‘NDVI’0.4 буюу сул эерэг хамааралтай байсан бол өндөршил 0.23 буюу хамаарал маш сул байна. Харин хур тунадас -0.22 буюу сөрөн сул хамааралтай байна.Түймрийн тархалтад салхи хүчтэй нөлөөлдөг хэдий ч түймрийн шаталттай харьцуулахад нөлөөлөөгүй сөрөг хамаарлыг үзүүлсэн байна.Энэ нь түймэр тархахад салхи нөлөөдөгч шатах материал удаан шатах нөхцөлд салхи эсрэг нөлөө үзүүлдэг нь харагдаж байна.Түймрийн дараа ургамлын төрөл, нөөц хомсдох, ургамлын бүтцэд өөрчлөлт орох, бэлчээрийн нөөц хомсдох, ховор амьтан ургамал устаж үгүй болох, ойн нөөц багасах, хүн болон мал амьтны амь эрсдэх,агаарыг их хэмжээгээр бохирдуулах зэрэг нийгэм-эдийн засагболонэкологид нөхөж баршгүй сөрөг үр дагавар гардаг учир түймрийн шаталт, тархалт, хамрах талбайг судалж, цаашид гарч болох эрсдэлийг тооцоолох, урьдчилсан сэргийлэх нөхцөлийг бүрдүүлэх юм.
Ой, хээрийн түймэр нь байгалийн экосистемийг сүйрэлд хүргэж болзошгүй юм. Гэхдээ энэ нь зарим талаараа өрөөсгөл ойлголт ч байж болох бөгөөд байгаль өөрөө өөрийгөө цэвэрлэж буйн ямар нэгэн хэлбэр гэж ойлгож болох юм. Зайнаас тандан судлах хиймэл дагуулууд нь тодорхой хэмжээний түймрийг хянах зардал багатай аргыг санал болгох ба сүүлийн жилүүдэд дэлхийг ажиглах зайнаас тандан судлалын зорилготой орон зайн дунд болон өндөр нарийвчлалтай оптик хиймэл дагуулын мэдээллийн хүртээмж нэмэгдэж байгаа нь судлаачид болон түймрийн удирдлагын ажилтнуудад түймрийн дараах нарийвчилсан үнэлгээ хийх боломжийг олгож байна. Энэхүү судалгаагаар ‘NBR’ нь түймэрт өртсөн газар нутгийг тодорхойлох, ‘Sentinel-2’ хиймэл дагуулын өгөгдлүүдийг ашиглан шаталтын талбайн үнэлгээ хийхэд хамгийн чухал индексийн нэг болохыг харуулсан болно. Дүгнэж хэлэхэд зайнаас тандан судлал болон ГМС-ийн техник нь байгалийн экосистем дэх ой, хээрийн түймрийн нөлөөллийн талаарх амин чухал ойлголтыг өгч чаддаг. Энэ нь дэлхий даяар гарч буй томоохон болон жижиг хэмжээний ой, хээрийн түймрүүдийг үр дүнтэй илрүүлэх, хянах, төлөвлөх, урьдчилан сэргийлэх менежментэд чухал ач холбогдолтой юм.
Дэлхий уур амьсгалын өөрчлөлтийн шууд болон дам үр дагаврын нөлөөллөөр олон төрлийн байгалийн гамшигт үзэгдлүүд нэмэгдэж, тэдгээрийг судлах зорилгоор орчин үеийн судалгааны арга техникийг өргөн ашиглах боллоо. Үүний нэг тод илрэл нь зайнаас тандан судлалын арга бөгөөд түүний зураглалын технологийн тусламжтайгаар байгаль орчны өөрчлөлтийг хянах, урьдчилан таамаглах, үнэлэх, илрүүлэх боломжууд нэмэгдэж, судалгаа шинжилгээний хувьд ач холбогдол өндөртэй болж байгаа юм. Энэхүү судалгааны үндсэн зорилго нь ‘Sentinel-2’ хиймэл дагуулын зураглалын технологийн ашиглан түймрийн гамшигт үзэгдлийг хянах, түймэрт өртсөн талбайг тодорхойлох, шатсан талбарын зэрэглэлийг ангилах, байгалийн нөхөн сэргэлтийн үйл явцыг тодорхойлох явдал юм. Судалгааны нутаг дэвсгэрийг Монгол орны зүүн хэсэг, тал хээрийн бүсэд орших Шилийн Богд уул орчим дахь түймэр гарсан газар нутгийг сонгон авсан болно. Судалгааны аргазүйн хувьд нормчилсон шаталтын харьцаа буюу ‘NBR’ индексийг ашиглан түймэрт өртсөн талбарын талбай, шатсан талбарын зэрэглэлийг шатаагүй, бага, бага-дунд, их-дунд, өндөр гэсэн 5-н зэрэглэлд зураглан, нөхөн сэргэлтийн явцыг ургамлын нормчилсон индекс буюу ‘NDVI’ үзүүлэлт, хээрийн ажиглалтын үйл явцаар тодорхойлсон болно. Судалгааны үр дүнд сансрын зургаас түймэрт шатсан талбайг ялган зураглаж, нийт шатсан талбайн хэмжээг 1164.27 км2 гэж тооцоолсон. Үүний 65 хувь буюу 757.34 км2 талбай сул, 34.7 хувь буюу 404.57 км2 талбай бага-дунд, үлдсэн 0.3 хувь буюу 2.36 км2 талбай өндөр-дунд шаталтын зэрэглэлийн ангилалд багтаж байгааг тодорхойлсон. Энэ судалгааны ажил нь онцгой байдлын газрын албан хаагчид, судлаачид, байгаль орчны мэргэжилтнүүдэд түймэр гарсан газар нутгийн шаталтын зэргийг тодорхойлох, нөхөн сэргэлтийн байдлыг илрүүлэх, гамшгийн зэргийг үнэлэх, дүн шинжилгээ хийх зэрэг ажлуудад аргазүйн хувьд дэмжлэг болохуйц ач холбогдолтой юм.
Although there are various investigations of land use classification by deep learning from satellite images or topographical maps, it has not yet reached an operational level. This study proposes the operational level land use classification method, which indicates more than 85% of accuracy in OA (Overall Accuracy), by deep learning. CNN and Land Use Subdivision Mesh System of National Land Numerical Information as training data are applied to the proposed classification method. Consequently, the following findings are obvious: 1) the number of epochs should be about five, 2) the number of training samples for each class should be more than 10, 000. In addition, the method to integrate multiple training results is developed by using the fact that the training results are slightly different each time. This study proposes the new land use classification method that can show an operational level classification accuracy of about 90% in OA on a regular basis.
