Веб-орієнтований геоінформаційний інструмент картування частоти наявності водної поверхні — на прикладі Рамсарського угіддя «Дельта р. Дніпро»
DOI:
https://doi.org/10.36023/ujrs.2026.13.2.306Ключові слова:
дистанційне зондування Землі, моніторинг довкілля, водно-болотні угіддя, дельта Дніпра, Рамсарські угіддя, геоінформаційний інструмент, динаміка поверхневих вод, Google Earth Engine, Sentinel-2, Dynamic WorldАнотація
Водно-болотні угіддя (ВБУ) є важливими для забезпечення екологічної стабільності та збереження біорізноманіття, що безпосередньо впливає на добробут людини. Проте останнім часом ці екосистеми зазнають деградації внаслідок кліматичних змін, а для України ще одним фактором також стали воєнні дії, зокрема підрив Каховської ГЕС. В таких умовах методи дистанційного зондування Землі (ДЗЗ) є оптимальним інструментом для оцінювання таких змін, оскільки дозволяють виконувати аналіз великих територій та отримувати актуальні дані навіть в тих випадках, коли проведення наземних досліджень є неможливим через воєнні дії.
У роботі запропоновано підхід до оцінювання просторово-часової динаміки водної поверхні на основі показника частоти її наявності (Surface Water Occurrence, SWO), за яким формуються відповідні карти (SWOM). На основі цього підходу розроблено веб-орієнтований геоінформаційний інструмент, реалізований на платформі Google Earth Engine, що забезпечує швидку обробку значних обсягів даних без потреби у потужних обчислювальних ресурсах з боку користувача. В якості вхідних даних використовуються продукти класифікації типів земного покриву Dynamic World та шар Scene Classification Layer (SCL), що входить до складу кожного супутникового знімка Sentinel-2. Даний інструмент дозволяє виконувати розрахунок SWOM та його класифікацію на три класи — «Суходіл (No Water)», «Тимчасові водні поверхні (Temporary Water)» та «Постійні водні поверхні (Permanent Water)», а також отримувати статистичні показники площ цих класів. Розроблений інструмент є кросплатформеним, тому може використовуватися на різних типах пристроїв, зокрема на комп’ютерах, планшетах та навіть мобільних пристроях.
Практична апробація інструменту була проведена на прикладі Рамсарського угіддя «Дельта р. Дніпро» за період 2024–2025 років. Розраховані карти SWOM та відповідні статистичні показники дозволили встановити, що постійні водні поверхні займають 136.14 км² (39.55%), тоді як тимчасові — 26.81 км² (7.79%) від загальної площі дослідження. Проведений експеримент демонструє можливості інструменту щодо аналізу просторового розподілу водної поверхні. Отже, запропонований інструмент може бути використаний для вирішення прикладних задач екологічного моніторингу, а також застосований для інших територій дослідження.
Внесок авторів: Концептуалізація – А.О. Козлова та А.А. Андреєв; методологія –А.А. Андреєв та А.О. Козлова; формальний аналіз та оброблення даних –А.А Андреєв; дослідження – А.О. Козлова; підготовка тексту статті – А.А. Андреєв та А.О. Козлова; рецензування та редагування – А.О. Козлова та А.А. Андреєв. Всі автори прочитали та погодилися з опублікованою версією рукопису.
Фінансування: Це дослідження не отримало зовнішнього фінансування.
Розкриття інформації про ШІ: під час підготовки цього рукопису генеративні інструменти штучного інтелекту не використовувались.
Доступність даних: Розроблений веб-орієнтований геоінформаційний інструмент доступний за посиланням: https://artemaandreev.users.earthengine.app/view/swomdniprodelta.
Подяки: Автори вдячні Національній академії наук України за підтримку цього дослідження. Ми також вдячні рецензентам і редакторам за їхні цінні коментарі, рекомендації та увагу до роботи
Конфлікти інтересів: Автори заявляють, що не мають конфлікту інтересів
Посилання
Amani, M., Ghorbanian, A., Asgarimehr, M., Patterson, S., Russo, A., & Bray, C. (2020). Google Earth Engine Cloud Computing Platform for Remote Sensing Big Data Applications: A Comprehensive Review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 5326-5350. https://doi.org/10.1109/JSTARS.2020.3021052
Andreiev, A., & Artiushyn, L. (2024). Improvement of land cover classification accuracy by training sample clustering. RADIOELECTRONIC AND COMPUTER SYSTEMS, 2024(2), 66–72. https://doi.org/10.32620/reks.2024.2.06
Brown, C. F., Brumby, S. P., Guzder-Williams, B., Birch, T., Hyde, S. B., Mazzariello, J., Czerwinski, W., Pasquarella, V. J., Haertel, R., Ilyushchenko, S., Schwehr, K., Weisse, M., Stolle, F., Hanson, C., Guinan, O., Moore, R., & Tait, A. M. (2022). Dynamic World, Near real-time global 10 m land use land cover mapping. Scientific Data, 9(1). https://doi.org/10.1038/s41597-022-01307-4
Buchhorn, M., Lesiv, M., Tsendbazar, N., Herold, M., Bertels, L., & Smets, B. (2020). Copernicus Global Land Cover Layers—Collection 2. Remote Sensing, 12(6), 1044. https://doi.org/10.3390/rs12061044
Davidson, N. C. (2014). How much wetland has the world lost? Long-term and recent trends in global wetland area. Marine and Freshwater Research, 65(10), 934–941. https://doi.org/10.1071/mf14173
Delle Grazie, F. M., & Gill, L. W. (2022). Review of the Ecosystem Services of Temperate Wetlands and Their Valuation Tools. Water, 14(9), 1345. https://doi.org/10.3390/w14091345
Dixon, M., Loh, J., Davidson, N., Beltrame, C., Freeman, R., & Walpole, M. (2015). Tracking global change in ecosystem area: The Wetland Extent Trends index. Biological Conservation, 193, 27–35. https://doi.org/10.1016/j.biocon.2015.10.023
Donchyts, G., Baart, F., Winsemius, H., Gorelick, N., Kwadijk, J., & van de Giesen, N. (2016). Earth’s surface water change over the past 30 years. Nature Climate Change, 6(9), 810–813. https://doi.org/10.1038/nclimate3111
Drusch, M., Del Bello, U., Carlier, S., Colin, O., Fernandez, V., Gascon, F., Hoersch, B., Isola, C., Laberinti, P., Martimort, P., Meygret, A., Spoto, F., Sy, O., Marchese, F., & Bargellini, P. (2012). Sentinel-2: ESA’s Optical High-Resolution Mission for GMES Operational Services. Remote Sensing of Environment, 120, 25–36. https://doi.org/10.1016/j.rse.2011.11.026
Du, Y., Zhang, Y., Ling, F., Wang, Q., Li, W., & Li, X. (2016). Water Bodies’ Mapping from Sentinel-2 Imagery with Modified Normalized Difference Water Index at 10-m Spatial Resolution Produced by Sharpening the SWIR Band. Remote Sensing, 8(4), 354. https://doi.org/10.3390/rs8040354
Feyisa, G. L., Meilby, H., Fensholt, R., & Proud, S. R. (2013). Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery. Remote Sensing of Environment, 140, 23–35. https://doi.org/10.1016/j.rse.2013.08.029
Friedl, M., & Sulla-Menashe, D. (2022). MODIS/Terra+Aqua Land Cover Type Yearly L3 Global 500m SIN Grid V061 [Data set]. NASA Land Processes Distributed Active Archive Center. https://doi.org/10.5067/MODIS/MCD12Q1.061
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
Guo, Y., Hou, Y., Liu, Z., & Du, M. (2020). Risk prediction of coastal hazards induced by typhoon: a case study in the coastal region of Shenzhen, China. Remote Sensing, 12(11), 1731. https://doi.org/10.3390/rs12111731
Hakimdavar, R., Hubbard, A., Policelli, F., Pickens, A., Hansen, M., Fatoyinbo, T., Lagomasino, D., Pahlevan, N., Unninayar, S., Kavvada, A., Carroll, M., Smith, B., Hurwitz, M., Wood, D., & Uz, S. S. (2020). Monitoring Water-Related Ecosystems with Earth Observation Data in Support of Sustainable Development Goal (SDG) 6 Reporting. Remote Sensing, 12(10), 1634. https://doi.org/10.3390/rs12101634
Hu, S., Niu, Z., Chen, Y., Li, L., & Zhang, H. (2017). Global wetlands: Potential distribution, wetland loss, and status. The Science of the Total Environment, 586, 319–327. https://doi.org/10.1016/j.scitotenv.2017.02.001
Kozlova, A., Andreiev, A., & Davydova, A. (2025a). Satellite-Based Assessment of War-Induced Changes in Ukrainian Wetlands of International Importance. International conference of young professionals “GeoTerrace-2025”, 1–5. https://doi.org/10.3997/2214-4609.202552048
Kozlova, A., Andreiev, A., Tymchyshyn, M., Lischenko, L., & Prokopuk, M. (2025b). EO-Based Classification of Water-Related Ecosystems using Surface Water Occurrence Analysis: A Case Study of the Dnipro River Delta. 18th International Conference Monitoring of Geological Processes and Ecological Condition of the Environment, 1–5. https://doi.org/10.3997/2214-4609.2025510129
Kozlova, A., Lischenko, L., Andreiev, A., Lubskyi, M., & Lysenko, A. (2024). Water occurrence mapping of Kakhovka reservoir after the dam destruction. International conference of young professionals “GeoTerrace-2024”, 1–5. https://doi.org/10.3997/2214-4609.2024510066
Li, H., Zhang, Z., & Tang, P. (2020). A Web-Based remote sensing data processing and production system with the unified integration of Multi-Disciplinary data and models. IEEE Access, 8, 162961–162972. https://doi.org/10.1109/access.2020.3021791
Lischenko, L., Kozlova, A., & Andreiev, A. (2025). Mapping of the spatiotemporal transformations of the former Kakhovka reservoir bed after dam destruction using Sentinel-2 satellite imagery. Ukrainian Journal of Remote Sensing, 12(4), 29–37. https://doi.org/10.36023/ujrs.2025.12.4.296
Ludwig, C., Walli, A., Schleicher, C., Weichselbaum, J., & Riffler, M. (2019). A highly automated algorithm for wetland detection using multi-temporal optical satellite data. Remote Sensing of Environment, 224, 333–351. https://doi.org/10.1016/j.rse.2019.01.017
Marushevsky, G. B., & Zharuk, I. S. (Eds.). (2006). Directory of Ukraine’s wetlands [in Ukrainian]. Kyiv: Wetlands International Black Sea Programme.
Mitsch, W. J., Bernal, B., & Hernandez, M. E. (2015). Ecosystem services of wetlands. International Journal of Biodiversity Science Ecosystems Services & Management, 11(1), 1–4. https://doi.org/10.1080/21513732.2015.1006250
Pekel, J., Cottam, A., Gorelick, N., & Belward, A. S. (2016). High-resolution mapping of global surface water and its long-term changes. Nature, 540 (7633), 418–422. https://doi.org/10.1038/nature20584
Pettorelli, N., Laurance, W. F., O’Brien, T. G., Wegmann, M., Nagendra, H., & Turner, W. (2014). Satellite remote sensing for applied ecologists: opportunities and challenges. Journal of Applied Ecology, 51(4), 839–848. https://doi.org/10.1111/1365-2664.12261
Popov, M., Stankevich, S., Kozlova, A., Piestova, I., Lubskiy, M., Titarenko, O., Svideniuk, M., Andreiev, A., Lysenko, A., & Singh, S. K. (2021). Long-Term Satellite Data Time Series Analysis for Land Degradation Mapping to Support Sustainable Land Management in Ukraine. Geo-Intelligence for Sustainable Development, 165–189. https://doi.org/10.1007/978-981-16-4768-0_11
Ramsar Resolution XIV.20: The Ramsar Convention’s response to environmental emergency in Ukraine relating to the damage of its Wetlands of International Importance (Ramsar Sites) stemming from the Russian Federation’s aggression. - 14th Meeting of the Conference of the Contracting Parties to the Ramsar Convention on Wetlands, “Wetlands Action for People and Nature” Wuhan, China, and Geneva, Switzerland 5-13 November 2022. https://www.ramsar.org/sites/default/files/documents/library/xiv.20_ukraine_e.pdf
Yang, C., Yu, M., Hu, F., Jiang, Y., & Li, Y. (2016). Utilizing Cloud Computing to address big geospatial data challenges. Computers Environment and Urban Systems, 61, 120–128. https://doi.org/10.1016/j.compenvurbsys.2016.10.010
Zanaga, D., De Kerchove Ruben, V., Wanda, D. K., Souverijns, N., Brockmann, C., Quast, R., Wevers, J., Grosu, A., Paccini, A., Vergnaud, S., Cartus, O., Santoro, M., Fritz, S., Georgieva, I., Lesiv, M., Carter, S., Herold, M., Li, L., Tsendbazar, N., . . . Arino, O. (2021). ESA WorldCover 10 m 2020 v100 [Dataset]. In Socio-Environmental Systems Modeling. https://doi.org/10.5281/zenodo.5571936
