Экосистема редколесья и степи умеренного пояса, распространенная в полузасушливых районах Китая, представляет собой переходный тип экосистемы между лесом и степью, развивающийся на песчаных почвах под воздействием уникальных климатических и рельефных условий. Редколесье характеризуется смешанным произрастанием древесных, кустарниковых и травянистых растений и высокой пространственной гетерогенностью. Дистанционное зондирование растительности затруднено и по сей день остается самым неточным типом классификации земного покрова в мире. Вопрос о том, как одновременно учитывать точность и масштаб, а также осуществлять мониторинг состояния роста различных типов растений в областях редколесья умеренного пояса, является актуальным и сложным в дистанционном зондировании растительности в засушливых зонах. В данном исследовании на базе алгоритмов машинного обучения была построена обучающая выборка с использованием данных дистанционного зондирования с беспилотных летательных аппаратов (БПЛА) для получения информации о типе растительного покрова, а также высокоразрешающих спутниковых изображений. Создана модель оценки доли покрытия древесных и травянистых растений в редколесье умеренного пояса с синхронной оценкой покрытия на основе данных с БПЛА и спутников. Сравнены различия в оценках покрытия древесных и травянистых растений по двум видам высокоразрешающих спутниковых изображений. Результаты исследования показали: (1) использование дистанционного зондирования с БПЛА позволяет точно классифицировать типы наземного покрытия и обеспечивает большое количество точных обучающих выборок для оценки доли покрытия древесных и травянистых растений в региональном масштабах; (2) на основе машинного обучения модели покрытия, построенные с использованием спутниковых данных GF-6 и Sentinel-2, эффективно оценивают покрытие древесных и травянистых растений. Коэффициенты детерминации оценок, построенных на основе данных GF-6, составили 0.72 и 0.66 для древесного и травянистого покрова соответственно, среднеквадратичные ошибки — 6.76% и 10.69%, точность оценки — 46.31% и 77.88%. Для Sentinel-2 коэффициенты детерминации составили 0.72 и 0.81, среднеквадратичные ошибки — 6.53% и 8.20%, точность оценки — 54.30% и 83.17%; (3) точность оценки покрытия древесных и травянистых растений по спутниковым данным Sentinel-2 немного выше, чем на основе GF-6, при этом точность оценки травянистых растений для обоих спутников существенно выше, чем древесных. Данное исследование предлагает новый подход для масштабирования оценки покрытия древесных и травянистых растений редколесья с уровня ландшафта до регионального масштаба. Метод многомасштабного совместного наблюдения от БПЛА до спутников предоставляет эффективную методологическую поддержку для мониторинга состояния роста различных типов жизни растений в региональных условиях редколесья умеренного пояса. В дальнейшем динамический мониторинг покрытия древесных и травянистых растений на региональном уровне может быть реализован с использованием многовременных высокоразрешающих спутниковых данных.

дистанционное зондирование;РЕДКОЛЕСЬЕ вяза;беспилотники;GF-6;Sentinel-2;случайный лес;деревья классификации и регрессии