vestnik Журнал "Вестник Сибирского государственного университета геосистем и технологий (СГУГиТ)" 2411-1759 ФГБОУ ВО "Сибирский государственный университет геосистем и технологий (СГУГиТ)" RU https://vestnik.sgugit.ru https://doi.org/10.33764/2411-1759-2026-31-5-101-111 Картография и геоинформатика Оценка изменения и трансформации водных и околоводных объектов города Хайфон на основе разновременных космических изображений Landsat Данг Хиен Фам Фам Данг Хиен В. В. Братков Братков В. В. Московский государственный университет геодезии и картографии, г. Москва, Российская Федерация 2026 31 5 101 111 © Данг Хиен Фам, В. В. Братков, 2026 2026 Данг Хиен Фам, В. В. Братков Эта статья дотупна по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная. Статья посвящена изменению и трансформации гидрографической сети города Хайфон (Вьетнам) в период с 1986 по 2025 г. Источником данных послужили разновременные снимки Landsat 5 и Landsat 9, обработанные на платформе Google Earth Engine. Методика включает расчет 78 спектральных индексов, формирование обучающих выборок для классов «вода» и «не-вода», пороговую бинарную классификацию с подбором порога по максимуму F1-меры, объединение результатов 20 наиболее точных индексов и последующую векторизацию полученных растров. Сопоставление карт за 1986 и 2025 гг. показало, что площадь открытой воды сократилась на 87 км² (на 11,6 %), тогда как портовые и промышленные зоны расширились более чем на 40 км²; площадь защитных мангровых лесов выросла более чем на 40 км², а под аквакультуру было освоено свыше 32 км² прибрежных земель. Дополнительно зафиксированы намыв искусственных островов общей площадью около 17 км² и углубление судоходных каналов. Выявленные процессы отражают интенсивное антропогенное воздействие – урбанизацию, развитие портов и меры адаптации к изменению климата. Результаты могут быть использованы при планировании регионального развития. дистанционное зондирование Landsat спектральные индексы водные объекты мангровые леса аквакультура Хайфон морские порты remote sensing Landsat spectral indices water bodies mangrove forests aquaculture Hai Phong seaports 1. Nguyen Minh Hai, Ouillon S., Duy Vinh Vu. Sea-level rise in Hai Phong coastal area (Vietnam) and its response to ENSO – evidence from tide gauge measurement of 1960–2020. Vietnam Journal of Earth Sciences. 2022. DOI 10.15625/2615-9783/16961. 2. Бекмурзаева Л. Р., Братков В. В., Керимов И. А. Оценка современных агроклиматических условий Северного Кавказа на основе наземных метеонаблюдений и данных низкого пространственного разрешения. Вестник СГУГиТ. 2025. Т. 30, № 6. С. 27–35. DOI 10.33764/2411-1759-2025-30-6-27-35. 3. Pekel J.-F., Cottam A., Gorelick N., Belward A. S. High-resolution mapping of global surface water and its long-term changes. Nature. 2016. Vol. 540. P. 418–422. DOI 10.1038/nature20584. 4. Zhao C. [et al.]. Evaluating spectral indices for water extraction: Limitations and contextual usage recommendations. International Journal of Applied Earth Observation and Geoinformation. 2025. Vol. 139. Art. 104510. DOI 10.1016/j.jag.2025.104510. 5. Lappe R., Ullmann T., Bachofer F. State of the Vietnamese Coast – Assessing Three Decades (1986 to 2021) of Coastline Dynamics Using the Landsat Archive. Remote Sensing. 2022. Vol. 14, № 10. Art. 2476. DOI 10.3390/rs14102476. 6. Pham Tien Dat, Yoshino K. Comparing Mangrove Forest Management in Hai Phong City, Vietnam towards Sustainable Aquaculture. Procedia Environmental Sciences. 2013. Vol. 17. P. 109–118. DOI 10.1016/j.proenv.2013.02.018. 7. Куен Д. Т., Малинников В. А., Сереке Т. Э., Нго С. Х. Картографирование приливно-отливных отмелей вдоль побережья Вьетнама с использованием методов глубокого обучения на основе изображения Sentinel-1. Вестник СГУГиТ. 2024. Т. 29, № 6. С. 70–82. DOI 10.33764/2411-1759-2024-29-6-70-82. 8. Куен Д. Т., Малинников В. А. Классификация устьевых и прибрежных водно-болотных угодий по снимкам Planet NICFI на основе сверточных нейронных сетей и трансферного обучения. Геодезия и картография. 2024. № 6. С. 31–42. DOI 10.22389/0016-7126-2024-1008-6-31-42. 9. McFeeters S. K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing. 1996. Vol. 17, № 7. P. 1425–1432. DOI 10.1080/01431169608948714. 10. Xu H. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing. 2006. Vol. 27, № 14. P. 3025–3033. DOI 10.1080/01431160600589179. 11. Feyisa G. L., Meilby H., Fensholt R., Proud S. R. Automated Water Extraction Index: a new technique for surface water mapping using Landsat imagery. Remote Sensing of Environment. 2014. Vol. 140. P. 23–35. DOI 10.1016/j.rse.2013.08.029. 12. Fisher A., Flood N., Danaher T. Comparing Landsat water index methods for automated water classification in eastern Australia. Remote Sensing of Environment. 2016. Vol. 175. P. 167–182. DOI 10.1016/j.rse.2015.12.055. 13. Rajeswari S., Rathika P. Exploring Spectral Indices for Improved Water Body Classification in Landsat Imagery. 2024 Third International Conference on Intelligent Techniques in Control, Optimization and Signal Processing (INCOS). Krishnankoil, India, 2024. DOI 10.1109/INCOS59338.2024.10527525. 14. Sun Q., Li J. A method for extracting small water bodies based on DEM and remote sensing images. Scientific Reports. 2024. Vol. 14. Art. 760. DOI 10.1038/s41598-024-51346-7. 15. Esposito C., Landrum G. A., Schneider N., Stiefl N., Riniker S. GHOST: Adjusting the Decision Threshold to Handle Imbalanced Data in Machine Learning. Journal of Chemical Information and Modeling. 2021. Vol. 61, № 6. P. 2623–2640. DOI 10.1021/acs.jcim.1c00160. 16. Гулиев А. Ш., Хлебникова Т. А. Анализ изменений природно-антропогенной трансформации береговой линии Азербайджанского сектора Каспийского моря. Вестник СГУГиТ. 2023. Т. 28, № 4. С. 85–93. DOI 10.33764/2411-1759-2023-28-4-85-93. 17. Гулиев А. Ш., Хлебникова Т. А., Каленицкий А. И. Разработка методики аэрокосмического мониторинга нефтяных загрязнений на основе интеграции данных дистанционного зондирования Земли (на примере акватории азербайджанского сектора Каспийского моря). Вестник СГУГиТ. 2024. Т. 29, № 6. С. 53–61. DOI 10.33764/2411-1759-2024-29-6-53-61. 18. Колесников А. А. Анализ методов и средств искусственного интеллекта для анализа и интерпретации данных активного дистанционного зондирования. Вестник СГУГиТ. 2022. Т. 27, № 3. С. 74–94. DOI 10.33764/2411-1759-2022-27-3-74-94. 19. Gorelick N., Hancher M., Dixon M., Ilyushchenko S., Thau D., Moore R. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment. 2017. Vol. 202. P. 18–27. DOI 10.1016/j.rse.2017.06.031. 20. Henrich V., Jung A., Götze C., Sandow C., Thürkow D., Gläßer C. Development of an online indices database: Motivation, concept and implementation. Proceedings of the 6th EARSeL Imaging Spectroscopy SIG Workshop. Tel Aviv, Israel, 2009. 21. Фам Ч., Фам Д. Разработка методики автоматического мониторинга процесса урбанизации бассейна Красной реки (Вьетнам). Международный научно-исследовательский журнал. 2024. № 6 (144). DOI 10.60797/IRJ.2024.144.93. 22. Giri C., Ochieng E., Tieszen L. L., Zhu Z., Singh A., Loveland T., Masek J., Duke N. Status and distribution of mangrove forests of the world using earth observation satellite data. Global Ecology and Biogeography. 2011. Vol. 20, № 1. P. 154–159. DOI 10.1111/j.1466-8238.2010.00584.x.