МУЛЬТИМАСШТАБНАЯ ОЦЕНКА ТЕМПОВ ОПУСТЫНИВАНИЯ ДЕЛЬТЫ АМУДАРЬИ С ПОМОЩЬЮ ПРОСТРАНСТВЕННОГО АНАЛИЗА И ГЛОБАЛЬНЫХ БАЗ ГЕОДАННЫХ

328 МУЛЬТИМАСШТАБНАЯ ОЦЕНКА ТЕМПОВ ОПУСТЫНИВАНИЯ ДЕЛЬТЫ АМУДАРЬИ С ПОМОЩЬЮ ПРОСТРАНСТВЕННОГО АНАЛИЗА И ГЛОБАЛЬНЫХ БАЗ ГЕОДАННЫХ Реймов П.Р., Худайбергенов Я.Г., Реймова Г.П., Статов В.А. Каракалпакский государственный университет имени Бердаха DOI: https://doi.org/10.5281/zenodo.17393088 Аннотация. Одними из наиболее продуктивных и, в то же время, хрупких аридных экосистем являются экосистемы дельт. До сих пор темпы их опустынивания оценивались преимущественно качественно, поскольку точная количественная оценка ограничивалась низкой точностью вегетационных индексов из-за влияния почвенного отражения, внутри дельтовые геоморфологические границы игнорировались, а глобальные геопространственные данные с суб-километровом разрешении не были доступны. Мы использовали расширенный пространственный анализ для мультимасштабного исследования дельты Амударьи с задействованием открытых данных, таких как десятиметровый индекс NDVI по данным спутника SENTINEL, цифровую модель рельефа SRTM с 30-метровым разрешением, аномалии грунтовых вод под данным космической гравиметрии и глобальные данные SMOS 1 по засоленности с разрешением 1 км для оценки темпов опустынивания дельты Амударьи и, для сравнения, некоторых других аридных дельт. Объединение физически ограниченного алгоритма Random Forest c пространственновременной Байесовской иерархической моделью позволило разделить шумовую компоненту, вызванную изменчивостью климата от сигнала, связанного с необратимой деградацией ландшафтов дельт. Ключевые слова: Амударья, дельта, аридные территории, NDVI, цифровую модель рельефа SRTM, алгоритма Random Forest, Sentinel. Annotation. Arid river deltas are among the most productive and the most fragile, dryland environments. Yet their desertification rates remain poorly quantified because traditional NDVI metrics collapse under high soil-background signal, delta-specific hydro-geomorphic thresholds are ignored, and global products are rarely fused at sub-kilometer scale. We use Extended spatial analysis (ESA) framework that assimilates global open-source data streams (Sentinel-2 data 10 m NDVI, SRTM 30 m topography, GRACE FO 0.5o groundwater season anomalies, ERA-5-Land 9 km soil moisture, and SMOS 1 km soil salinity) to estimate annual desertification rates (Dr, % yr-1 ) in Amudarya delta and, for comparison, some other arid deltas. By coupling physically constrained Random Forest classification with a spatio-temporal Bayesian hierarchical model (STBHM), we separate climate-variability noise from irreversible land degradation. Over 2000-2023 yhr mean delta desertification rate Dr= 0.84% yr-1 (+-0.11) faster that adjacent drylands. Hot spots cluster on transfer levees and abandoned channel lobes, where groundwater drawdown exceeds -4 mm yr-1 and salinity rises above 6.8 dS m-1. Keywords: Amudarya, delta, arid territories, NDVI, digital elevation model SRTM, Random Forest algorithm, Sentinel. Постановка задачи. Существующие карты глобального опустынивания имеют средний размер пикселей от 5 до 250 км, что скрывает мелкомасштабную неоднородность дельты. Линейные тренды NDVI недостаточно эффективны в разветвленных руслах, где увеличение плотности 329 растительного покрытия часто вызвано инвазивными галоксерофитами. Истощение подземных вод, критически важное для дельт, не учитывается в текущих показателях дистанционного зондирования. Все это требует разработки новых подходов в рамках геоинформатики и мультимасштабного представления экосистем. Целью исследования является количественная оценка годовой скорости опустынивания Gr с разрешением 10 м для засушливых дельт с учетом информации о гидрогеоморфологии дельт, и разработка открытого, воспроизводимого и мультимасштабногоинструмента для составления отчётности по дельтам в соответствии с Целями Устойчивого Развития. Все слои данных унифицированы с общей 10-метровой сеткой с использованием дельта-специфичного адаптивного кригинга, сохраняющего плотность берегов русла. Алгоритм расширенного пространственного анализа (ESA). Шаг 1 – Разработка признаков. - Аномалии NDVI разлагаются на компоненты эффективности использования осадков (RUE) и относительной эвтрофикации. - Индекс воздействия на запасы грунтовых вод (GSI): отрицательный тренд в GRACE-FO, деленный на удельную первичную продуктивность растительного покрова. - Чувствительность растительности с поправкой на соленость (SAVS): потеря NDVI на увеличение dS·м⁻¹. Шаг 2 – Random Forest – классификация. Ключевые участки интерпретируются как стабильные, деградирующие или восстанавливающийся. Вычисляются предикторы, включая RUE, GSI, SAVS, топографическую влажность, расстояние до активного русла и косвенные показатели потока осадочного материала. Модель вычисляет вероятность опустынивания pdeg. Шаг 3 – Пространственно-временная байесовская иерархическая модель (STBHM). - pdeg ассимилируется с априорными данными по оттоку грунтовых вод и диффузии солености. - Апостериорная модель дает Gr (% год⁻¹) с 95% доверительным интервалом; пространственная автокорреляция фиксируется с помощью ковариации Матерна. Пространственно-временная байесовская иерархическая модель. (ST-BHM) для скорости опустынивания аридной дельты Gr 330 Методика Random Forest (RF) даёт вероятность pdeg «деградации» на уровне пикселей, но это не скорость (% год⁻¹), поскольку она игнорирует пространственную корреляцию (когда, например, «соляные пальцы» следуют за прирусловыми валами), не учитывает временную корреляцию (падение уровня грунтовых вод постоянно) и не создаёт интервала неопределённости. ST-BHM преобразует выходной сигнал RF в интерпретируемую скорость Gr с полной апостериорной достоверностью. 1. Иерархические слои (три уровня) Модель данных уровня 1 (измерение) Gr(s,t) = Бернулли( p(s,t) ) Gr = 1, если RF классифицирует пиксель s в момент времени t как деградировавший, 0 в противном случае. p(s,t) связано со скоростью скрытого опустынивания λ(s,t) через пробит-связь: Φ⁻¹(p(s,t)) = β₀ + β₁ λ(s,t) + ε(s,t) , ε(s,t) N(0,σ²ε) β₁ калибруется один раз с 20% контрольными точками наземных исследований (β₁ ≈ 2,3). Модель процесса уровня 2 (истинная скорость) Gr(s,t) = Gr clim(s,t) + Gr deg(s) + η(s,t) Gr clim(s,t) = ожидаемое снижение NDVI, вызванное межгодовыми аномалиями количества осадков. Gr deg(s) = постоянный сигнал деградации, который мы хотим оценить. η(s,t) = нулевое среднее пространственно-временное гауссово поле, отражающее немоделированную устойчивость. Пространственная структура η(s,t) = ρ η(s,t-1) + ω(s,t) , |ρ|<1 ω(s,t) = MVN(0,Σ(θ)) Σ(θ) — ковариационная матрица Матерна: Cov(d) = σ²/(2^{ν-1}Γ(ν)) (κd)^ν K_ν(κd) d = евклидово расстояние между центроидами пикселей; ν = 1 (однократно дифференцируемое поле); κ контролирует эффективную дальность (≈ 30 км в дельте Амударьи). Временная структура: коэффициент AR(1) ρ, оцененный совместно; Апостериорное среднее ρ = 0,74, что указывает на сильную межгодовую память (персистентность грунтовых вод). Модель параметров уровня 3 (априорные данные) - Grdeg(s) N (0, σ²Gr) с полу-Коши (0,5) по σGr (малоинформативно, допускает резкие отклонения). 331 - Дисперсия измерений σ²ε Inv-Gamma (2, 1). - Гиперпараметры Матерна: σ полу-Коши (0,5), κ Gamma (2, 0,1) (априорная мода ≈ 20 км). Для ко вариативного встраивания, то есть учета физических ограничений модели, нужно заменить априорный свободный член β₀ линейным предиктором, который учитывает гидрогеоморфологические данные: β₀(s) = γ₀ + γ₁ GSI(s) + γ₂ SAVS(s) + γ₃ TWI(s) + γ₄ DistChannel(s) GSI = индекс воздействия на запасы грунтовых вод (тренд GRACE) SAVS = чувствительность растительности с поправкой на соленость TWI = топографический индекс увлажненности DistChannel = евклидово расстояние до ближайшего активного пояса русла (логарифмически преобразованное). Это гарантирует физическую интерпретируемость скорости Dr даже при недостаточном количестве ключевых точек. Результаты. Cкорость опустынивания аридно-дельтовых районов дельты Амударьи в 2000-2023 гг. , определенная на основе глобальных массивов данных составила в среднем Gr = 0,84% год⁻¹ (±0,11); диапазон 0,2–2,1% год⁻¹. Характеристики внутри дельтовых очагов опустынивания: 68% деградирующих пикселей расположены на заброшенных участках на высоте < 8 м над базисом эрозии. Снижение уровня грунтовых вод объясняет 49% дисперсии Gr; соленость – 27%. Обсуждение. Опустынивание дельты носит нелинейный характер: 74% пикселей демонстрируют резкие скачки (точки перелома), а не постепенные тенденции, что подтверждает выводы де Йонга и др. Основной движущей силой является истощение грунтовых вод, а не тенденции изменения количества осадков. Расширенный пространственный анализ может обновляться каждые 5 дней (Sentinel-2), предлагая систему раннего предупреждения опустынивания в квазиреальном времени. Выводы. Аридные дельты деградируют более чем в 4 раза быстрее, чем обычные засушливые земли. Эффективные меры должны быть направлены на управление подземными водами и контроль засоленности защитных полос, а не только на восстановление почвенного покрова. ST-BHM преобразует зашумлённую по пиксельную вероятность темпа опустынивания в гладкую, физически когерентную поверхность скорости с достоверной неопределённостью. Поскольку этот метод явно моделирует пространственную автокорреляцию и временную устойчивость, он 332 предотвращает завышенную опасность для выделов с дефицитом данных и показывает истинную скорость, с которой экосистемы засушливых дельты трансформируются в пустынные экосистемы. Инструментарий пространственного анализа позволяет устанавливать целевые показатели нейтральной деградации земель (LDN) для дельты в рамках Конвенции ООН по борьбе с опустыниванием на период до 2030 года. Список литературы: 1. Burrell A. L., Evans J. P., Liu Y. et al. A global screening of long-term vegetation dynamics using GIMMS NDVI3g // Remote Sensing. – 2020. – Vol. 12, № 12. – P. 1978. – DOI: 10.3390/rs12121978. 2. Save H., Bettadpur S., Tapley B. D. High-resolution CSR GRACE RL06 mascons: description, evaluation and error estimates // Earth and Space Science. – 2022. – Vol. 9, № 3. – e2021EA002042. – DOI: 10.1029/2021EA002042. 3. IPCC. Climate Change and Land: an IPCC special report on climate change, desertification, land degradation, sustainable land management, food security, and greenhouse gas fluxes in terrestrial ecosystems / eds. P. R. Shukla et al. – Geneva: WMO, 2019. – 896 p. 4. de Jong R., de Bruin S., de Wit A. et al. Analysis of monotonic greening and browning trends from global NDVI time-series // Remote Sensing of Environment. – 2011. – Vol. 115, № 2. – P. 692–702. – DOI:10.1016/j.rse.2010.10.011. 5. Rue H., Martino S., Chopin N. Approximate Bayesian inference for latent Gaussian models by using integrated nested Laplace approximations // Journal of the Royal Statistical Society: Series B. – 2009. – Vol. 71, Pt 2. – P. 319–392. – DOI:10.1111/j.1467-9868.2008.00700.x. 6. Lindgren F., Rue H., Lindström J. An explicit link between Gaussian fields and Gaussian Markov random fields: the stochastic partial differential equation approach // Journal of the Royal Statistical Society: Series B. – 2011. – Vol. 73, Pt. -4. – P. 423–498. – DOI:10.1111/j.1467-9868.2011.00777.x.