Науковий вісник НГУ

ГІС-оцінка впливу пожеж на ландшафти Херсонщини

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №1 2026

Останнє оновлення: 27 лютого 2026

Опубліковано: 30 листопада -0001

Перегляди: 1113

Authors:

І. Р. Стахів, orcid.org/0009-0007-3090-6988, Київський національний університет імені Тараса Шевченка, м. Київ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

А. В. Клипа*, orcid.org/0009-0006-5565-5305, Київський національний університет будівництва і архітектури, м. Київ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В. І. Зацерковний, orcid.org/0009-0003-5187-6125, Київський національний університет імені Тараса Шевченка, м. Київ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Т. В. Пастушенко, orcid.org/0000-0001-9826-5004, Київський національний університет імені Тараса Шевченка, м. Київ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В. В. Ворох, orcid.org/0009-0005-0112-8422, Київський національний університет імені Тараса Шевченка, м. Київ, Україна

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2026, (1): 147 - 156

https://doi.org/10.33271/nvngu/2026-1/147

Abstract:

Мета. Розроблення методики моніторингу трансформації ландшафтів під впливом пожеж із використанням супутникових даних, мови програмування Python і геоінформаційних систем (QGIS) на прикладі Херсонської області. Основна увага приділена просторовій локалізації осередків займання, аналізу динаміки змін у структурі землекористування й виявленню екосистем, що зазнали найбільшого впливу.

Методика. У дослідженні використані методи дистанційного зондування Землі для виявлення й просторово-часової фіксації теплових аномалій і змін у земному покриві, геоінформаційні методи для інтеграції векторних і растрових даних, просторового поєднання шарів і класифікації землекористування, а також математичні й статистичні методи, зокрема нормування показників інтенсивності пожеж відносно площі адміністративних районів та аналіз їхньої динаміки. Для забезпечення відтворюваності розрахунків і автоматизації аналітичних процедур застосовані методи комп’ютерного моделювання із використанням мови програмування Python та SQL-запитів.

Результати. Реалізовано автоматизований підхід до просторової інтерпретації пожежної активності із класифікацією за типами угідь. За період 2021–2024 років виявлене суттєве зростання кількості пожеж, особливо у 2022–2024 роках. Найбільш вразливими виявилися лісові масиви, водно-болотні угіддя й урбанізовані території. Створено набір картографічних матеріалів, що відображають щільність пожеж за адміністративними районами з урахуванням типів землекористування. Просторовий аналіз підтвердив зв’язок між бойовими діями та зростанням інтенсивності пожеж на різних ландшафтах.

Наукова новизна. Розроблена методика автоматизованого моніторингу пожежної активності, що поєднує відкриті супутникові джерела (FIRMS, ESA), ГІС-інструменти (QGIS), мову Python і просторове нормування. Уперше запропоновано підхід, що дозволяє оцінювати динаміку змін у ландшафтах регіону внаслідок пожеж, ураховуючи категорії землекористування, адміністративні межі й щільність займання. Методика придатна для регіонального екологічного зонування та подальших системних досліджень.

Практична значимість. Отримані результати можуть бути використані для моніторингу екологічних наслідків бойових дій, формування стратегій післявоєнного відновлення, планування природоохоронних заходів, уточнення пріоритетних територій для розмінування й оцінки ризиків для населення. Методика забезпечує масштабованість, адаптивність і можливість її застосування в інших регіонах.

Ключові слова: пожежі; дистанційне зондування Землі, геоінформаційні системи, ландшафтні зміни, супутникові дані, Python, QGIS, Херсонська область

References.

1. Savchuk, B., Stakhiv, I., Gordeev, A., Pastushenko, T., & Mironchuk, T. (2025). Impact of military operations on the fire status of lands in Kherson Region. 18 ^th International Conference Monitoring of Geological Processes and Ecological Condition of the Environment, April 2025, 1-5. Retrieved from https://www.earthdoc.org/content/papers/10.3997/2214-4609.2025510184

2. Pereira, P., Bašić, F., Bogunovic, I., & Barcelo, D. (2022). Russian-Ukrainian War Impacts the Total Environment. The Science of the Total Environment, 837, 155865. https://doi.org/10.1016/j.scitotenv.2022.155865

3. Rockström, J. (2024). Reflections on the past and future of whole Earth system science. Global Sustainability, 7, E15. Cambridge University Press. https://doi.org/10.1017/sus.2024.15

4. Roberts, J. F., Mwangi, R., Mukabi, F., Njui, J., Nzioka, K., Ndambiri, J. K., …, & Balzter, H. (2022). Pyeo: A Python package for near-real-time forest cover change detection from Earth observation using machine learning. Computers & Geosciences, 167, 105192. https://doi.org/10.1016/j.cageo.2022.105192

5. Malenovský, Z., Rott, H., Cihlar, J., Schaepman, M. E., García-Santos, G., Fernandes, R. A., & Berger, M. (2012). Scientific requirements and challenges for the Sentinel-2 mission. Remote Sensing of Environment, 120, 71-90. https://doi.org/10.1016/j.rse.2012.01.021

6. Moffette, F., Alix-Garcia, J., Shea, K., & Pickens, A. H. (2021). The impact of near-real-time deforestation alerts across the tropics. Nature Climate Change, 11(2), 172-178. https://doi.org/10.1038/s41558-020-00956-w

7. Rawtani, D., Gupta, G., Khatri, N., Rao, P. K., & Hussain, C. M. (2022). Environmental Damages Due to War in Ukraine: A Perspective. Science of the Total Environment, 850, 157932. https://doi.org/10.1016/j.scitotenv.2022.157932

8. Klypa, A. V. (2024). The impact of military actions on natural ecosystems: consequences, rehabilitation, and an integrated approach. Prostorovyi rozvytok, (10), 471-481. https://doi.org/10.32347/2786-7269.2024.10.471-481

9. Bonchkovskyi, O., Ostapenko, P., Bonchkovskyi, A., & Shvaiko, V. (2025). War-induced soil disturbances in north-eastern Ukraine (Kharkiv region): Physical disturbances, soil contamination and land use change. Science of the Total Environment, 964, 178594. https://doi.org/10.1016/j.scitotenv.2025.178594

10.      Hordiichuk, S., Chernov, A., Liashenko, D., & Stakhiv, I. (2024). Geoinformation Modelling of the Lower Dnipro National Nature Park Conditions as a Consequence of the Kakhovka Dam Destruction. International Conference of Young Professionals “GeoTerrace-2024”. https://doi.org/10.3997/2214-4609.2024510044

11.      Lubin, A. S. (2019). Remote sensing-based mapping of the destruction to Aleppo during the Syrian Civil War between 2011 and 2017. Applied Geography, 108, 30-38. https://doi.org/10.1016/j.apgeog.2019.05.004

12.      Stakhiv, I., Zatserkovnyi, V., De Donatis, M., Pastushenko, T., Hordiichuk, S., & Malik, T. (2025). Spatial analysis of the flooded land area of the Kherson Region Nature Reserve using remote sensing data. Bulletin of Taras Shevchenko National University of Kyiv. Geology, 2(109), 104-111. https://doi.org/10.17721/1728-2713.109.14

13.      Tomchenko, O. V., Khyzhniak, A. V., Sheviakina, N. A., Zahorodnia, S. A., Yelistratova, L. A., Yakovenko, M. I., & Stakhiv, I. R. (2023). Assessment and monitoring of fires caused by the War in Ukraine. Journal of Landscape Ecology, 16(2), 76-97. https://doi.org/10.2478/jlecol-2023-0011

14.      Tomchenko, O. V., Yakovenko, M. A., Stakhiv, I. R., & Liashenko, D. Y. (2023). Assessment of the quality loss, damage of forestry lands affected by military operations in 2021–2023. GeoTerrace‑2023. https://doi.org/10.3997/2214-4609.2023510041

15.      Shevchuk, S., Vyshnevskyi, V. I., & Bilous, O. (2022). The use of remote sensing data for investigation of environmental consequences of Russia-Ukraine War. Journal of Landscape Ecology, 15(3), 36-53. https://doi.org/10.2478/jlecol-2022-0017

16.      Florath, J., & Keller, S. (2022). Supervised machine learning approaches on multispectral remote sensing data for a combined detection of fire and burned area. Remote Sensing, 14(3), 657. https://doi.org/10.3390/rs14030657

17.      Kumar, N., & Kumar, A. (2020). Australian bushfire detection using machine learning and neural networks. 2020 7 ^th ICSSS, (pp. 1–7). IEEE. https://doi.org/10.1109/ICSSS49621.2020.9202238

18.      Yang, S., Lupascu, M., & Meel, K. S. (2021). Predicting forest fire using remote sensing data and machine learning. AAAI Conference on Artificial Intelligence, 35(17), 14983-14990. https://doi.org/10.1609/aaai.v35i17.17758

19.      Grari, M., Idrissi, I., Boukabous, M., Moussaoui, O., Azizi, M., & Moussaoui, M. (2022). Early wildfire detection using ML model deployed in fog/edge IoT layers. Indonesian Journal of Electrical Engineering and Computer Science, 27(2), 1062-1073. https://doi.org/10.11591/ijeecs.v27.i2.pp1062-1073

20.      Mondal, M. S., Prasad, V., Kumar, R., Saha, N., Guha, S., Ghosh, R., Mukhopadhyay, A., & Sarkar, S. (2023). Multilayered Filtering Approach to Enhanced Fire Safety and Rapid Response. Fire Technology, 59(4), 1555-1583. https://doi.org/10.1007/s10694-023-01392-w

21.      Mohanty, V., Behera, D. K., Panda, A. R., & Swetanisha, S. (2025). Comparative Analysis of Machine Learning and Deep Learning Models for LULC Classification Using Remote Sensing Data. Indian Journal of Science and Technology, 18(18), 1397-1409. https://doi.org/10.17485/IJST/v18i18.104

22.      Ma, L., Liu, Y., Zhang, X., Ye, Y., Yin, G., & Johnson, B. A. (2019). Deep Learning in Remote Sensing Applications: A Meta‑analysis and Review. ISPRS Journal of Photogrammetry and Remote Sensing, 152, 166-177. https://doi.org/10.1016/j.isprsjprs.2019.04.015

23.      Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary‑scale Geospatial Analysis for Everyone. Remote Sensing of Environment, 202, 18-27. https://doi.org/10.1016/j.rse.2017.06.031

24.      Congedo, L. (2021). Semi-Automatic Classification Plugin: A Python tool in QGIS. Journal of Open Source Software, 6(64), 3172. https://doi.org/10.21105/joss.03172

• < Попередня
• Наступна >