Сравнительная оценка информативности спутниковых данных и данных с беспилотных летательных аппаратов при решении задач картирования оползневой опасности

Использование методов дистанционного зондирования Земли позволяет быстро изучать большие по площади и труднодоступные территории, в пределах которых могут происходить опасные гравитационные геологические процессы (оползни, камнепады). Картирование оползневых зон на основе спутниковых данных в региональном масштабе на сегодняшний день уже хорошо развито на практике. В последние десятилетия стремительно развиваются теория и практика применения технологий беспилотных летательных аппаратов для дистанционного зондирования Земли. В обоих случаях для анализа георисков используются мультиспектральные данные и цифровые модели рельефа. Целью данного исследования является сравнительный анализ результатов картирования оползневой опасности, полученных на основе общедоступных спутниковых данных и данных с беспилотных летательных аппаратов, и выявление преимуществ и ограничений обеих методик. Ключевые предикторы (углы уклона склонов, профильная кривизна, нормализованный относительный индекс растительности, индекс влажности и коэффициент длины-уклона) для спутниковых данных были получены из цифровых моделей рельефа ALOS AW3D30 и данных Sentinel-2. Данные с беспилотных летательных аппаратов были получены фотограмметрическим методом с помощью мультиспектральных фотокамер. Для определения весов факторов применялся метод аналитической иерархии через попарные сравнения. Средствами QGIS построены карты рисков оползневых процессов для одного и того же участка территории. Сравнительный анализ наглядно показал, как различие в разрешении входных данных и методике съемок влияет на прогностическую ценность результатов. Основной вывод: из-за генерализации по разрешению (в случае спутниковых съемок) небольшие неустойчивые скальные блоки могут либо искусственно увеличивать уязвимость прилегающих склонов, либо оставаться полностью незамеченными. В то же время показано, что данные высокого разрешения с беспилотных летательных аппаратов не заменяют данные спутниковых дистанционных зондирований Земли, а дополняют их, методы служат разным пространственным масштабам работ и исследовательским задачам. Результаты подтверждают, что спутниковые данные и данные с беспилотных летательных аппаратов должны быть комплементарны. Спутниковые данные подходят для регионального картирования модели поверхности земли (Landslide Susceptibility Mapping), а данные с беспилотных летательных аппаратов необходимы для детальных исследований отдельных участков, выделенных по спутниковым данным. Рекомендуется гибридная методология: космические данные – для первичного зонирования опасных зон, а беспилотные летательные аппараты – для детального изучения опасных участков.

1. Ado M., Amitab K., Maji A.K., Jasińska E., Gono R., Leonowicz Z., et al. Landslide susceptibility mapping using machine learning: a literature survey // Remote Sensing. 2022. Vol. 14. Iss. 13. Р. 3029. https://doi.org/10.3390/rs14133029. EDN: WPDGQC.

2. Sarkar S., Kanungo D. An integrated approach for landslide susceptibility mapping using remote sensing and GIS // Photogrammetric Engineering and Remote Sensing. 2004. Vol. 70. Iss. 5. Р. 617–625. https://doi.org/10.14358/PERS.70.5.617.

3. Gantimurova S., Parshin A., Erofeev V. GIS-based landslide susceptibility mapping of the Circum-Baikal railway in Russia using UAV data // Remote Sensing. 2021. Vol. 13. Iss. 18. C. 3629. https://doi.org/10.3390/rs13183629. EDN: RHIFUT.

4. Casagli N., Frodella W., Morelli S., Tofani V., Ciampalini A., Intrieri E., et al. Spaceborne, UAV and ground-based remote sensing techniques for landslide mapping, monitoring and early warning // Geoenvironmental Disasters. 2017. Vol. 4. Iss. 1. Р. 1–23. https://doi.org/10.1186/s40677-017-0073-1. EDN: XBSOCI.

5. Rossi G., Tanteri L., Tofani V., Vannocci P., Moretti S., Casagli N. Multitemporal UAV surveys for landslide mapping and characterization // Landslides. 2018. Vol. 15. Iss. 5. Р. 1045–1052. https://doi.org/10.1007/s10346-018-0978-0. EDN: KNTROI.

6. Ghorbanzadeh O., Didehban K., Rasouli H., Kamran K.V., Feizizadeh B., Blaschke T. An application of Sentinel-1, Sentinel-2, and GNSS data for landslide susceptibility mapping // ISPRS International Journal of Geo-Information. 2020. Vol. 9. Iss. 10. Р. 561. https://doi.org/10.3390/ijgi9100561. EDN: IASVNL.

7. Kyriou A., Nikolakopoulos K. Assessing the suitability of Sentinel-1 data for landslide mapping // European Journal of Remote Sensing. 2018. Vol. 51. Iss. 1. Р. 402–411. https://doi.org/10.1080/22797254.2018.1444944.

8. Lu P., Shi W., Wang Q., Li Z., Qin Y., Fan X. Co-seismic landslide mapping using Sentinel-2 10-m fused NIR narrow, red-edge, and SWIR bands // Landslides. 2021. Vol. 18. Iss. 6. Р. 2017–2037. https://doi.org/10.1007/s10346-021-01636-2. EDN: HYQURY.

9. Novellino A., Pennington C., Leeming K., Taylor S., Alvarez I.G., McAllister E., et al. Mapping landslides from space: a review // Landslides. 2024. Vol. 21. Iss. 5. Р. 1041–1052. https://doi.org/10.1007/s10346-024-02215-x. EDN: URVNZQ.

10. Uuemaa E., Ahi S., Montibeller B., Muru M., Kmoch A. Vertical accuracy of freely available global digital elevation models (ASTER, AW3D30, MERIT, TanDEM-X, SRTM, and NASADEM) // Remote Sensing. 2020. Vol. 12. Iss. 21. Р. 3482. https://doi.org/10.3390/rs12213482. EDN: BPXCMY.

11. González-Moradas M.R., Viveen W., Vidal-Villalobos R.A., Villegas-Lanza J.C. A performance comparison of SRTM v. 3.0, AW3D30, ASTER GDEM3, Copernicus and TanDEM-X for tectonogeomorphic analysis in the South American Andes // Catena. 2023. Vol. 228. Iss. 3. Р. 107160. https://doi.org/10.1016/j.catena.2023.107160. EDN: OHTWNG.

12. Sun J., Yuan G., Song L., Zhang H. Unmanned aerial vehicles (UAVs) in landslide investigation and monitoring: a review // Drones. 2024. Vol. 8. Iss. 1. Р. 30. https://doi.org/10.3390/drones8010030. EDN: ZURRVW.

13. Sozzi M., Kayad A., Gobbo S., Cogato A., Sartori L., Marinello F. Economic comparison of satellite, plane and UAV-acquired NDVI images for site-specific nitrogen application: observations from Italy // Agronomy. 2021. Vol. 11. Iss. 11. Р. 2098. https://doi.org/10.3390/agronomy11112098. EDN: UYXWMG.

14. Абрамова З.В., Литвинцева З.О. Картографирование современных экзогенных процессов центральной экологической зоны Байкальской природной территории // Известия Иркутского государственного университета. Серия: Науки о Земле. 2023. T. 44. C. 3–17. https://doi.org/10.26516/2073-3402.2023.44.3. EDN: YNLLHJ.

15. Chandra N., Elizabath, Choudhury S., Vaidya H. Integrated spatial landslide risk assessment for population and infrastructure in Tehri, Garhwal Himalayas, India // Geological Journal. 2026. https://doi.org/https://doi.org/10.1002/gj.70251.

16. Das M., Gautam G.K., Jain S., Bhat M.F., Mankar A.K., Koner R. A comparative analysis of AHP, FR, AHP‐FR and LR models for landslide susceptibility mapping in Sikkim Himalaya, India // Earth Surface Processes and Landforms. 2026. Vol. 51. Iss. 2. Р. e70257. https://doi.org/10.1002/esp.70257.

17. Sisay T., Tesfaye G., Jothimani M., Reda T.M., Tadese A. Landslide susceptibility mapping using combined geospatial, FR and AHP models: a case study from Ethiopia’s highlands // Discover Sustainability. 2024. Vol. 5. Iss. 1. Р. 474. https://doi.org/10.1007/s43621-024-00730-4. EDN: QFZAIK.

18. Sutawane S., Mitra S. Landslide susceptibility analysis for Irshalwadi, Maharashtra by using analytical hierarchy process on satellite image // Urbanisation and climate change: strategies for sustainable cities through geospatial technologies: 18th DGSI International conference. Hyderabad: Osmania University, 2023.

19. Mohd M.H., Azman F.N.U.Z., Jusoh A., Rahman M.A.A. Landslide susceptibility mapping at Lebir and Galas River Basins after extreme flood event using weights of evidence // Journal of Sustainability Science and Management. 2019. Vol. 14. Iss. 2. Р. 103–115.

20. Zhou Y., Qi S.-C., Fan G., Chen M.-L., Zhou J.-W. Topographic effects on three-dimensional slope stability for fluctuating water conditions using numerical analysis // Water. 2020. Vol. 12. Iss. 2. Р. 615. https://doi.org/10.3390/w12020615. EDN: CICDCT.

21. Schmidt S., Tresch S., Meusburger K. Modification of the RUSLE slope length and steepness factor (LS-factor) based on rainfall experiments at steep alpine grasslands // MethodsX. 2019. Vol. 6. Р. 219–229. https://doi.org/10.1016/j.mex.2019.01.004. EDN: QIUVXR.

22. Kalsnes B., Capobianco V. Use of vegetation for landslide risk mitigation // Climate adaptation modelling. Cham: Springer, 2022. Р. 77–85. https://doi.org/10.1007/978-3-030-86211-4_10.

23. Gantimurova S., Parshin A. Combined methodology for rockfall susceptibility mapping using UAV imagery data // Remote Sensing. 2024. Vol. 16. Iss. 1. Р. 177. https://doi.org/10.3390/rs16010177. EDN: PIEXRI.