Війна підвищує ризики лісових пожеж і підкреслює необхідність більш екологічно безпечного управління лісами в післявоєнній Україні

Наукові доповіді обсяг 14 , Номер статті:  4131 ( 2024 )

Анотація

З 24 лютого 2022 року Україна переживає повномасштабну військову агресію, ініційовану Російською Федерацією. Війна сильно негативно вплинула на рослинний покрив постраждалих від війни регіонів. Ми досліджували взаємодію між довоєнним управлінням лісами та наслідками військових дій у трьох найбільш лісистих українських територіях інтересів (AOI), які постраждали від війни. Це ліси, що лежать між містами Харковом і Луганськом (АОІ «Схід»), ліси вздовж дельти річки Дніпро (АОІ «Херсон»), а також ліси Чорнобильської зони відчуження (АОІ ЧЕЗ). Ми використали супутникові зображення Sentinel, щоб створити маски пошкодженого лісового покриву на 2022 рік. Ми нанесли на карту ліси з підвищеною пожежною небезпекою, яка визначається як ступінь підданості землекористуванню, що підтримує пожежу (переважно сільськогосподарські угіддя, загальне джерело займання в Україні). Ми оцінили рівень порушеності лісів у 2022 році порівняно з довоєнними показниками. Ми задокументували значне збільшення перешкод, пов’язаних із заміною стендів (пожежі низького ступеня тяжкості та непожежні перешкоди) для всіх трьох AOI. Площа пошкодженого лісового покриву була різною для АОІ (24180 ± 4715 га, або 9,3% ± 1,8% у АОІ «Схід», 7293 ± 1925 га, або 15,7% ± 4,1% у АОІ «Херсон»; 7116 ± 1274 га, або 5,0% ± 0,9% в CEZ AOI). Серед лісів, які постраждали у 2022 році, «Херсонська» територія, ймовірно, матиме найвищу частку території з підвищеною пожежною небезпекою в найближчі десятиліття порівняно з іншими регіонами (89% проти 70% у «Східній» та CEZ АОІ). відповідно). Майбутні пожежні ризики та значні порушення лісового покриву, пов’язані з війною, вимагають від управління лісами розробити стратегії, які чітко враховують ці фактори.

Подібний вміст переглядають інші

Стаття 02 січня 2023 року

Стаття Відкритий доступ18 березня 2020 р

Стаття Відкритий доступ02 квітня 2020 року

Вступ

Російська Федерація розпочала повномасштабне військове вторгнення в Україну 24 лютого 2022 року. Протягом наступних півтора року величезна територія на півдні та сході України зазнала масованих артилерійських обстрілів і постраждала від різноманітних військових дій. пов’язані з діяльністю 1 . Війна призвела до забруднення сільськогосподарських і лісових ландшафтів боєприпасами, що не розірвалися (НРБ), лісових пожеж і забруднення навколишнього середовища 2 , 3 . Лісові пожежі внаслідок займання, пов’язаного з обстрілами, ймовірно, були найчастішою причиною порушення лісів у зоні конфлікту. Їхній вплив був особливо сильним, оскільки операції з гасіння пожежі були складними через пожежі, які відбувалися переважно в ізольованих сільських районах, триваючі бої та зараження UXO 4 . Масштаби екологічної шкоди українській території, спричиненої російською агресією, є величезними, хоча повний їх розмір наразі залишається невідомим через триваючу війну.

Військові дії та пов’язані з ними лісові пожежі серйозно підірвали функції екосистем спочатку скромних лісових масивів у постраждалих від війни регіонах України. Ці ліси лежать у ландшафтній матриці орних угідь та індустріалізованих зон і відіграють ключову роль у підтримці ландшафтного біорізноманіття та добробуту людей 5 . Ліси у постраждалих від війни регіонах відіграли вирішальну роль у захисті ґрунтів і регулюванні водного балансу у відповідних вододілах 6 . Ці ліси забезпечували місцеве населення лісом, дровами та продуктами харчування. Стан цих лісів до війни та спадщина їх недавнього управління могли підвищити їхню вразливість до пов’язаних з війною порушень 7 . Зокрема, одновікові монокультури сосни звичайної ( Pinus sylvestris L.), які домінують у цих районах, продемонстрували високі рівні смертності дерев і підвищений ризик лісових пожеж 8 . За останні три десятиліття загальна площа лісів вздовж річки Сіверський Донець (східна частина України) та в Херсонській області (південна частина України) скоротилася та стала більш фрагментованою (наприклад, 9 ).

У довоєнний період (до 2014 р.) і навіть після нього створення високощільних насаджень сосни звичайної залишалося основою програм відновлення лісів на сході та півдні України. Цей розвиток відбувся, незважаючи на чутливість таких плантацій до посухи, пожеж і зниження росту через обмежену вологість ґрунту 10 . Така практика призвела до збільшення небезпеки лісових пожеж, що ще більше посилюється відсутністю проактивної політики боротьби з пожежами. Робота із запобігання неконтрольованим лісовим пожежам в Україні здебільшого обмежувалася створенням протипожежних смуг і поки що не включає процедури зменшення кількості палива чи рекомендоване спалювання 6 .

Велика кількість палива в соснових насадженнях робить ліси вразливими до антропогенних займань, що виникають на сільськогосподарських угіддях. Фермери використовують весняні вогнища для видалення бур’янів, а осінні – для знищення пожнивних решток 11 , незважаючи на те, що в Україні такі вогнища заборонені. Ця практика призводила до великих пожеж у минулому, оскільки пожежі в АОІ ЧЕЗ та Луганській області (обидва сталися у 2020 році) сягали розміру 30 000 га 12 , 13 . Нещодавні дослідження вимагають перегляду застарілих методів управління лісами у пожежонебезпечних ландшафтах східної та південної України 6 , 9 . Відновлення пошкоджених лісів після звільнення України може потребувати дотримання оновленої політики управління, яка включатиме проактивне управління ризиками пожеж. Вирішальним елементом цього переходу може стати зміщення фокусу від зазвичай густих і легкозаймистих хвойних монокультур до структурно різноманітніших і менш займистих лісів.

Супутникові зображення, що спираються на спектральні сигнатури лісистих територій, забезпечують як швидку, так і точну оцінку екологічної шкоди екосистемам 14 , 15 . Наприклад, супутники Sentinel-1 (мікрохвильові або радарні) і Sentinel-2 (оптичні) надають загальнодоступні, часті (інтервал 5–6 днів) і добре розділені (роздільна здатність 10–20 м, багатодіапазонні) дані. Їх здатність виявляти та картографувати як лісові пожежі, так і врожай дерев добре задокументована 16 , 17 . Джерела супутникових даних допомагають оцінити пов’язані з війною зміни землекористування 7 , 18 і можуть надати достатньо довгострокові дані про режими порушення лісів (наприклад, продукти на основі Landsat 19 , 20 ).

У цьому дослідженні було оцінено пошкодження лісів, пов’язані з війною, у трьох територіях інтересів (AOI) в Україні в період з квітня по вересень 2022 року, використовуючи загальнодоступні дані Sentinel. Такими AOI були CEZ AOI на півночі України (Київська область), лісиста частина Херсонської області на півдні та ліси вздовж річки Сіверський Донець на сході України (Харківська, Донецька та Луганська області). Ми висунули гіпотезу (H1), що російське вторгнення у 2022 році призвело до значних змін у порушеній території в AOI «Херсон», але не в CEZ та AOI «Схід». Ця гіпотеза базувалася на тому факті, що АОІ «Херсон» не демонструвало серйозних порушень з 2007 року. Натомість АОІ «Схід» і ЧЕЗ добре відомі як частими сильними пожежами, так і безперервним вирубуванням дерев або спалахами жуків-короїдів, відповідно. Щоб додати до цього аналізу, ми також використовували часові ряди Landsat, щоб розробити хронологію пошкоджень лісів через певні фактори порушення з 1986 року.

Тип і кількість палива, ймовірно, спричиняли пожежі в постраждалих від війни лісах. Роботи зі збирання врожаю та часті пожежі на «Сході» та CEZ AOI до вторгнення у 2022 році можуть зменшити навантаження палива, що обмежило масштаби пожеж у цьому році. Ми припустили, що вищий рівень пожежної активності та врожаю до 2022 року відповідав нижчому рівню пожежної активності під час війни в трьох досліджуваних AOI (H2). Щоб перевірити H2, ми порівняли частки спалених лісів у трьох досліджуваних AOI.

Нарешті, щоб розпочати дискусію про управління пошкодженими лісами, ми склали карту їх сприйнятливості до майбутніх пожеж 21 . З цією метою ми вважали наявність межі між пошкодженим війною лісом і відкритим ландшафтом ознакою підвищеної пожежної небезпеки. Це припущення ми обґрунтували поширеною в Україні практикою весняних та осінніх підпалів сільськогосподарських та інших відкритих земель 9 . Ми провели аналіз ландшафту, щоб проілюструвати, яка частка пошкоджених лісів має підвищену пожежну небезпеку через спільні межі з відкритими ландшафтами, що може сприяти швидкому поширенню пожежі.

Методи та матеріали

Навчальна територія

Це дослідження охоплює три AOI в Україні та Східній Європі (рис.  1 ). В аналізі ми не включали північну частину України, за винятком ЧЕЗ АОІ, незважаючи на те, що вона перебуває під окупацією та має великі лісисті території. Північна частина України була окупована лише з кінця лютого до початку квітня 2022 року, а в березні 2022 року зазнала лише кількох пожеж. З усієї північної України ми вибрали CEZ як наш третій AOI, оскільки під час російської окупації тут траплялися часті та інколи великі пожежі. та період після його звільнення.

Фігура 1
Фігура 1

Усі АОІ представляють собою рівнинні ландшафти з висотою не більше 300 м над рівнем моря. «Східний» АОІ охоплював 20 громад (районів) у трьох східних областях (адміністративних регіонах) України: Харківській (вісім громад, або 5121 км 2 ), Донецькій (чотири громади, або 2110 км 2 ), Луганська (вісім громад, або 4 844 км 2 ). Клімат сухий, з жарким і вітряним літом, часто буває посухою і малосніжною зимою. Середньорічна кількість опадів становить 500 мм, середньорічна температура +10 °C 13 . Регіон характеризується фрагментованою мозаїкою орних угідь та природних або насаджених ділянок лісу 5 . Лісовий покрив утворюють насадження сосни звичайної ( Pinus sylvestris L.) на піщаних ґрунтах і листяні ліси по долинах річок (басейни річок Сіверський Дінець і Айдар).

«Херсонська» ВОІ представляла сім громад у Херсонській області та одну громаду в Миколаївській області (південь України), або 4480 км 2 . Місцевий клімат сухий, часто з посухами, які негативно впливають на рослинництво в регіоні. Середньорічна кількість опадів становить 408 мм, середньорічна температура +12 °C 23 . Щоб запобігти опустелюванню Херсонської області (з великою піщаною територією, яку місцеві називають Олешковою пустелею), до та після Другої світової війни насаджували ліси сосни звичайної. Деякі природні широколистяні ліси збереглися на Кінбурнському півострові на заході Херсонської АОІ.

АОІ ЧЕЗ охоплює територію в північній частині Київської області, вздовж державного кордону з Білоруссю (2600 км 2 ). Середньорічна кількість опадів становить 619 мм, середньорічна температура +8 °C. Після Чорнобильської катастрофи (1986 р.) лісовий покрив збільшився до 59% площі КЗЗ завдяки природному залісненню покинутих орних угідь 24 . Ліси в CEZ здебільшого складають насадження сосни звичайної 25 . Сосна звичайна також природно замінює колишні орні землі разом із березою сріблястою ( Betula pendula Roth.).

Рослинний покрив усіх трьох АОІ є пожежонебезпечним. У лісах АОІ «Схід» були виявлені мегапожежі в 1996 (район Кремінної), 2014 (Станиця-Луганська) та 2020 (біля Сєвєродонецька). Наприкінці 2000-х – на початку 2010-х років ліси Херсонського району сильно постраждали від пожеж. CEZ AOI зазнала серйозних лісових пожеж у 1992, 2015 та 2020 роках відповідно.

Російська військова агресія торкнулася лісів трьох АОІ. CEZ AOI була зайнята наприкінці лютого — на початку квітня 2022 року. У березні та травні 2022 року на CEZ сталося кілька пожеж, коли гасіння пожежі було значно обмежено через забруднення наземними мінами та близькість території до кордону України з Білоруссю. «Східна» АОІ вже була зачеплена війною до повномасштабного вторгнення 2022 року (розділила лінію зіткнення з непідконтрольною уряду територією у 2014–2022 роках 7 ). «Східні» ліси AOI були полем бою весь 2022 рік, з численними пожежами після обстрілів. Насадження на схід від міста Кремінна залишалися (станом на вересень 2023 року) під контролем Росії. Ліси в «Херсонській» АОІ перебувають під російською окупацією з березня 2022 року (станом на вересень 2023 року) і були спустошені численними пожежами після обстрілів до кінця жовтня 2022 року. Зусилля з ліквідації пожежі в цьому районі були мінімальними через його віддаленість.

Класифікація земельного покриву

Ми використали відкрито доступні часові ряди даних місії Sentinel Європейського космічного агентства (мікрохвильові дані Sentinel-1 та оптичні дані Sentinel-2, оновлені до роздільної здатності 10 м), щоб реконструювати земний покрив 2021 року для всіх трьох регіонів. Ми надаємо блок-схему робочого процесу на рис.  2 (з більш детальною версією в Додатковому матеріалі, рис. S1 ). Ми витягли медіанні композиції всіх доступних безхмарних зображень протягом сезону появи листя (додатковий матеріал, таблиця S1 ), використовуючи Google Earth Engine (GEE) 26 . Ми розрахували нормалізований коефіцієнт горіння (NBR 27 ), нормалізований індекс різниці рослинності (NDVI) і різницю між максимальними та мінімальними значеннями протягом сезону появи листя для чотирьох предикторів Sentinel-2, тобто червоного, зеленого, синього та ближнього інфрачервоного діапазонів. . Загалом ми використали 18 предикторів (медіани зворотного розсіювання при двох поляризаціях Sentinel-1, 10 діапазонах Sentinel-2 і двох індексах рослинності; діапазон із чотирьох значень діапазону Sentinel-2), щоб реконструювати земний покрив 2021 року.

малюнок 2
малюнок 2

Для кожного AOI ми параметризували модель випадкового лісу (RF 28 ), щоб передбачити дев’ять класів ґрунтового покриву в кожному регіоні: голий ґрунт, забудований, спалений (до 2022 року) ліс, ріллі, лісовий покрив, луки, водойми, водно-болотні угіддя, і лісистість. Щоб виконати це завдання, ми вручну інтерпретували ґрунтовий покрив на зображеннях високої роздільної здатності (у середовищі Google Планета Земля) для 814 випадкових місць у AOI «Херсон», 1152 локацій у AOI CEZ та 2134 місць у AOI «Схід» (додатковий матеріал , таблиця S1 ). Ми використали інший набір випадкових місць (1981 для AOI «Схід», 831 для AOI «Херсон» і 822 для AOI CEZ), щоб підтвердити точність моделей класифікації.

Оцінка пошкодженого лісового покриву на основі даних Sentinel-2

Ми використали набір сцен Word-View (40 см) у справжніх кольорах, доступних як фонове зображення в програмному забезпеченні ArcGIS Pro для AOI «Схід» (придбаний у серпні 2022 р.), і кілька сцен у несправжніх кольорах Planet (3 м), отриманих для усі три AOI у 2022 році для калібрування моделі пошкодженого лісового покриву. Ми вручну окреслили багатокутники з повністю спаленими або знебарвленими кронами дерев через пожежі. Загалом ми використали 1413 полігонів: 913 для побудови класифікаційної моделі пошкодженого лісового покриву та 500 для підтвердження точності пошкодженого лісового покриву та стільки ж полігонів непорушеного лісового покриву.

Ми використали дельту (чисту різницю) між середніми композитами зображень Sentinel-2, отриманих між 2021 і 2022 роками (до та під час російського вторгнення). Для побудови цих композитів ми використали медіанні значення для всіх безхмарних сцен, отриманих між 1 серпня та 30 вересня для AOI «Херсон» і CEZ та 1 липня та 30 вересня для AOI «Схід». Ми використали RF-модель для класифікації порушень у лісистих районах, які сталися у 2022 році. Ліси, вирубані до лютого 2022 року, були виключені з аналізу. Ми застосували фільтрацію, щоб видалити окремі шумові пікселі з карт.

Ми оцінили точність оцінки збитків відповідно до встановленого протоколу 29 . Зокрема, ми об’єднали невизначеність прогнозу лісового покриву для кожного регіону з невизначеністю прогнозу РЧ-моделі, яка передбачає пошкоджений лісовий покрив 12 . Нарешті, ми узагальнили оцінки пошкодженого лісового покриву за допомогою правильних шестикутних сіток розміром 3 км 2 .

Аналіз майбутньої пожежної небезпеки

Для виявлення лісистих і пошкоджених територій, які взаємодіють із відкритим ландшафтом, ми використали маску пошкодженого лісового покриву на основі даних Sentinel і перевибрали її до роздільної здатності 30 м. Це приблизно відповідає (0,09 га) мінімальній площі керованого лісового насадження в Україні (0,1 га 30 ). Ми перекласифікували класи покриття на дві групи: протипожежні та протипожежні. Рівні, пасовища, ліси та ліси, спалені до 2022 року, були класифіковані як пожежонебезпечні (рис.  3 ). Голий ґрунт, забудовані території, водойми та заболочені території були класифіковані як пожежонебезпечні. До останнього було включено непошкоджений лісовий покрив. Ми розглядали лише ділянки протипожежного класу площею не менше одного га. Ми розрахували евклідову відстань між краєм пошкодженої ділянки лісу та найближчою ділянкою вогнетривкого класу. Таким чином, ми розрахували площу пошкодженого лісу, який прилягає до ділянки протипожежного класу. Ці території вважалися лісами з «підвищеною пожежною небезпекою». Загальну площу таких лісів ми розраховували двома способами: з урахуванням ділянок більше 0,09 га і більше 1 га.

малюнок 3
малюнок 3

Аналіз довоєнних (з 2022 р.) режимів порушень лісів

По-перше, ми відкалібрували три специфічні для AOI радіочастотні моделі в середовищі GEE, щоб нанести на карту довоєнний (до 2022 року) земний покрив. Ми використали інтерпретовані набори даних про ґрунтовий покрив (див. Додатковий матеріал, таблиця S1 ), подібні до тих, що застосовувалися для підбору ґрунтового покриву на основі Sentinel на 2021 рік. Вхідними даними для цих радіочастотних моделей були спектральні предиктори на основі Landsat, отримані за допомогою виявлення та класифікації безперервних змін (CCDC 31). ) алгоритм. Ми покладалися на дані трансформації китиці (TCT, яскравість, зеленість, вологість). Ми передбачили минулий ґрунтовий покрив для будь-якого моменту часу з 1986 по 2022 рік. Точність моделі було отримано за допомогою підходу «виключити один».

По-друге, ми використали минулі маски лісового покриву, надані алгоритмом CCDC, щоб усунути довоєнні збурення, що виникли поза густим деревним покривом. Ми використовували маски для лісового покриву CCDC з 5-річним кроком у часі (1986, 1990, 1995, 2000, 2005, 2010, 2015 і 2020). Ми отримали міжрічні передвоєнні (з 2022 роком) карти порушень лісів за допомогою алгоритму LandTrendr 32 , 33 . Ми нанесли на карту первинні (найбільший сегмент спектральних втрат у часовому ряді для конкретного пікселя зображень Landsat) і вторинні (другий за величиною сегмент спектральних втрат) порушення лісу. Ми використовували часовий ряд NBR для визначення спектральних втрат. Ми вибрали мінімум 0,1 дельти NBR, щоб вказати спектральні втрати, і обмежили тривалість сегмента спектральних втрат 1–3 роками. Окремі пікселі, класифіковані як порушені, розглядалися як шум і видалялися. Ми витягли кілька растрових шарів, отриманих за допомогою алгоритму LandTrendr, щоб класифікувати порушення лісу за причинними факторами. Це величина (дельта) діапазонів NBR, NDVI і TCT; значення NBR до збурення; тривалість сегмента (1–3 роки); частота завад (величина NBR поділена на тривалість); площа плями (область піксельної плями, яка має той самий рік порушення); форма плями (значення фрактального індексу піксельної ділянки, яка має той самий рік порушення). Останні дві метрики були розраховані за допомогою ландшафтної метрики пакета R 34 .

Реконструйовано три збудники довоєнних (з 2022 р.) порушень лісу: лісозамінна пожежа (ЗВД), лісозамінна лісозаготівля (ДРЗ) та недревостоєзамінна (НПР). NSR включав невеликі лісові пожежі та пожежі після обстрілу (з величиною NBR < 0,25), спалахи шкідників, хвороби, посуху, вітер та іншу абіотично спричинену загибель дерев. Ми зібрали 1717 полігонів SRF у всіх трьох AOI, 606 полігонів SRH на «Сході» та CEZ AOI та 1603 NSR (150 полігонів, що представляють спалахи короїда в CEZ AOI, і 1453 полігони, що представляють пожежі низької інтенсивності після обстрілу в ‘ Східний» і «Херсонський» полігони. Ми використали інформацію від місцевих менеджерів лісів, платформу Google Планета Земля, довоєнні Landsat, Sentinel-2 і, нещодавно, зображення Planet and World-View, щоб окреслити ці полігони та визначити причинні агенти. Для перевірки ми відкладаємо випадкову підмножину з 20% полігонів кожної категорії, а решта даних використовується для калібрування моделі радіочастотної класифікації.

Розраховано площу порушеного лісового покриву за збудниками та АОІ за період 1986–2022 рр. Щоб перевірити різницю в рівнях порушень серед AOI (H1), ми розрахували z -показник для кожного року, використовуючи оцінки порушеної території, і визначили 3 як поріг для аномальних років у часових рядах, специфічних для збудника та AOI.

Щоб пов’язати кількість вигорілих територій із довоєнною пожежною активністю, ми провели регресію прогнозів пожежної погоди щодо запису вигорілих територій (порушення, пов’язані з SRF) для кожного AOI за 1987–2021 роки. Ми передбачили цю територію на 2022 рік для порівняння з нанесеною на карту територією SRF. Ми зібрали дані про пожежну погоду з п’яти точок, які регулярно розподілялися в межах кожної з трьох AOI. Ми використовували Глобальну базу даних погоди щодо пожеж (GFWED) як джерело щоденних даних погоди щодо пожеж (GFWED 35 ). Оскільки точні дати пожеж не були відомі, ми агрегували дані про погоду в сезонному масштабі, обчисливши середні значення індексу початкового поширення (ISI) і коду посухи (DC) за період з березня по вересень (включно). Період в основному відповідає пожежному сезону на досліджуваних територіях. Крім того, ми розрахували z -показник для кожного року, використовуючи AOI-специфічний індекс пожежної погоди (FWI), ISI та часовий ряд DC, і визначили 2 як порогове значення для аномальних років (враховуючи, що не було років з z -показниками ≥ 3). ).

Дані, код і отримані растрові шари доступні в репозиторії Zenodo ( https://zenodo.org/record/8132956 ). Карти опубліковані на платформі GEE як веб-додаток.

Результати

Оцінка пошкодженого лісового покриву

Загальна площа пошкодженого лісового покриву в АОІ «Схід» за квітень-вересень 2022 року склала 24 180 ± 4715 га (9,3% ± 1,8% лісистості в АОІ «Схід»). Найбільше виявлених пошкоджень було зосереджено в лісах навколо міст Ізюм та Балаклія (Харківська область, рис.  4 ), біля міста Лиман (Донецька область), а також навколо населених пунктів Кремінна, Рубіжне та Сєвєродонецьк (Луганська область). Протягом усього досліджуваного періоду ці ліси перебували під активним наступом росіян з обстрілами.

малюнок 4
малюнок 4

Модельна оцінка для АОІ «Херсон» становить 7293 ± 1925 га (15,7 ± 4,1% місцевого лісистого покриву). Найбільше постраждали ліси на Кінбурнському півострові (західна частина Херсонської області): пожежі, що виникли під час обстрілів, неможливо було ефективно погасити через віддаленість території. Ділянки лісу вздовж Олешківської пустелі постраждали в основному від пожеж малої інтенсивності.

Площа пошкодженого лісового покриву в CEZ AOI була оцінена в 7116 ± 1274 га (5,0% ± 0,9% місцевого лісового покриву). Велика лісова пожежа, яка сталася в травні 2022 року (на південний схід від CEZ AOI), найбільше сприяла цій оцінці 36 . Південно-західна частина ЧЕЗ АОІ була спалена в березні 2022 року, перебуваючи під російською окупацією, а менші згарища були виявлені в центральній (окупованій на той час) та західній (звільненій) частинах ЧЕЗ АОІ.

Моделі ґрунтового покриву, параметризовані за довоєнними даними (2021), показали добру загальну точність (для AOI «Схід» — 81,6%, AOI «Херсон» — 75,7%, AOI CEZ — 80,7%). Точність використання маски лісу склала 79,2% для AOI «Схід», 78,7% для AOI «Херсон», 92,0% для AOI CEZ. Провісники зворотного розсіювання Sentinel-1 були найважливішими в моделях земного покриву РФ (додатковий матеріал, рис. S2 – S4). Наша подвійна радіочастотна модель пошкодженого лісового покриву показала загальну точність 95,8% (подробиці перевірки цієї та інших радіочастотних моделей наведено в Додатковому матеріалі, Таблиця S2 ). Інфрачервоні предиктори зробили найбільший внесок у підгонку моделі (додатковий матеріал, рис. S5 ).

Підвищена пожежна небезпека в пошкоджених лісах

Найбільша частка пошкодженого лісового покриву з підвищеною пожежною небезпекою була в АОІ «Херсон»: 89% пошкоджених ділянок площею понад 0,09 га. У пошкоджених лісах АОІ «Схід» та АОІ ЧЕЗ 70% площ лісів перебувало під підвищеною пожежною небезпекою. Якщо розглядати лише ділянки пошкодженого лісового покриву площею 1 га або більше, ці оцінки були нижчими: 75% для AOI «Херсон», 59% для AOI CEZ та 67% для AOI «Схід».

Аналіз довоєнних (з 2022 роком) порушень лісів

Протягом 1986–2022 рр. первинні та вторинні порушення лісу виявлено на 97 191 га в АОІ «Схід» (37,6% лісистості 2021 р.), на 46 012 га в ЧЕЗ АОІ (32,2% лісистості 2021 р.) та на 18494 с. га в ВО «Херсон» (39,8% лісистості 2021 р., рис.  5 ). Моделі, засновані на даних LandTrendr, чітко зафіксували мегапожежі, що відбулися в 1992 (CEZ AOI), 1997 («Східний» AOI), 2015 (CEZ AOI), 2020 як для CEZ, так і для «Східного» AOI), які сталися протягом періоду дослідження , за винятком пожеж у Херсоні 2006 року. Можливим поясненням може бути те, що ці порушення відбувалися переважно в нещільному деревному покриві (чагарники, молоді деревні насадження), тоді як карти фільтруються довоєнними масками густого лісового покриву. Протокол, заснований на LandTrendr, повідомив про порушення з кінця серпня поточного року як наступні. Наприклад, таку ситуацію можна спостерігати для ОСР у 2021 році для АОІ «Схід» (мегапожежа 2020 року сталася наприкінці вересня), аналогічні ситуації для пожежі у Кремінній 1997 року в АОІ «Схід» та пожежі 2007 року над АОІ «Херсон».

малюнок 5
малюнок 5

Наші минулі моделі земного покриву на основі даних Landsat і алгоритму CCDC створювали лісові маски з хорошою збалансованою точністю (87,3% для AOI «Схід», 86,2% для AOI CEZ, 84,5% для AOI «Херсон»). РЧ-модель на основі LandTrendr для класифікації збудників збурень показала загальну точність 95,9% набору даних перевірки. Значення NBR до збурення було найважливішим предиктором (див. Додатковий матеріал, рис. S6 ). Яскравість китиці та індекс форми плями були дуже важливими для відрізнення СРЗ від інших збудників. Область патча покращила правильну класифікацію агента SRF, а тривалість сегмента підтримала більш точну класифікацію порушень NSR.

Відповідно до аналізу на основі z -score, 2022 рік був аномальним для всіх трьох AOI щодо порушень NSR (рис.  5 a). Ми не виявили жодного перевищення також для порушень SRF, що не підтверджує нашу гіпотезу H1. У той час як більшість пожеж, спричинених обстрілами (з досить малими розмірами ділянок і візуально розсіяним просторовим малюнком), на «Східному» та «Херсонському» AOI були пов’язані з збудником СМП, жодних «великих» пожеж (SRF) не виникло на значно більших територіях. у 2022 р. Аномалій пожежної погоди за 2022 р. за часовими рядами FWI, ISI та DC не виявлено (рис.  5 б). Кілька конкретних років з аномальною посухою (наприклад, 2007 рік в AOI «Херсон» або 1992 і 2015 роки в AOI CEZ) відповідають сильним лісовим пожежам.

Прогнозовані значення вигорілих площ (SRF регресійно з часових рядів ISI та DC) були нижчими за значення, що спостерігалися у 2022 році в усіх трьох AOI. Порівняно з порушеннями, пов’язаними з SRF, у «Східному» AOI (3187 га у 2022 році), лише 1319 га було передбачено метрикою DC (1318 га). Схожа картина спостерігалася для AOI «Херсон» (299 га за прогнозом на основі DC, 241 га за ISI порівняно з 732 га нанесених на карту порушень SRF) і CEZ AOI (906 га за DC, 766 га за ISI порівняно з 3211 га, нанесений на карту LandTrendr). Однак ми зазначили, що проксі-прогнози пожежної погоди були поганими провісниками вигорілої території в усіх трьох AOI.

Обговорення

Оцінка пошкодженого лісового покриву у 2022 році

Ми надаємо першу просторово чітку оцінку пошкодженого лісового покриву в Україні за квітень-вересень 2022 року. Загалом на три AOI припадало 38 589 ± 7914 га лісового покриву, пошкодженого протягом періоду дослідження. Векторна карта згорілих заповідних територій у Херсонській області ( https://arcg.is/18v0ji0 ), одна з небагатьох загальнодоступних наборів даних про порушення лісів на досліджуваних територіях, загалом підтверджує нашу оцінку. Зокрема, це узгоджується з нашими оцінками для цього AOI, які підтверджують нашу гіпотезу (H2) щодо більшого відносного пошкодження лісів AOI «Херсон» (15,7 ± 4,1% довоєнного лісистого покриву) порівняно з AOI «Схід». (9,3 ± 1,8 %) або CEZ AOI (5,0 ± 0,9 %). Оцінка площі CEZ, згорілої у 2022 36 роках , повідомляється в три рази більша за нашу оцінку (22 171 га проти 7116 га). Однак візуальний огляд карти, опублікованої в цьому звіті, показує, що більшість пожеж, що виникли в CEZ, були луговими.

Наші висновки не узгоджуються із заявами українських офіційних осіб, які повідомляють, що близько 3 000 000 га лісів в Україні є «пошкодженими» (тобто пошкодженими або забрудненими НРБ 37 ). Ця оцінка, ймовірно, базувалася на простому підході накладання шарів лісового покриву на окупованих і нещодавно звільнених територіях. Через це він не представляв площу, яка безпосередньо постраждала від обстрілів чи активних боїв, і не давав чіткої оцінки площі мінних полів.

Хоча поточна (станом на вересень 2023 року) лінія фронту простягається за межі «Херсонської» та «Східної» територій, найбільше пошкоджень завдано саме лісам цих двох територій 4 . Пошкодження захисних смуг і міських лісів, розкиданих уздовж лінії фронту (і за межами наших AOI), також може бути суттєвим. Наприклад, восени 2022 року на супутникових знімках навколо Запорізької АЕС, м. Енергодар, були зафіксовані численні пожежі в лісових масивах. Просторовий аналіз таких ділянок рослинності може бути складним через їх розрідженість і високий рівень фрагментації.

Довоєнні (з 2022 роком) лісові порушення

Займання, спричинене обстрілами, було основним фактором, що спричинив порушення СМП на великих (до 7000 га у «Східному» AOI) районах у постраждалих від війни AOI, будучи причиною займань усередині лісових насаджень. Ми очікували більшого надлишку порушеної території у 2022 році для AOI «Херсон» (гіпотеза H2) порівняно з іншими AOI, але не спостерігали жодних істотних відмінностей між цим та іншими AOI. Збурення, пов’язані з війною, були виявлені з аномально високими темпами в кожному з досліджуваних AOI. «Східний» AOI був полем битви протягом усього 2022 року, і місцеві ліси постійно спустошуються станом на вересень 2023 року, як це можна спостерігати на останніх зображеннях Sentinel-2 і Planet. Площа порушень СМР там і в Херсонській АОІ була однаково високою. Пожежі низької інтенсивності також були виявлені в CEZ AOI у 2022 році, що також є незвичайним явищем для місцевого довоєнного режиму заворушень.

Обстріли також були причиною різних форм прямого («механічного») пошкодження лісів у «Східній» АОІ. Наша модель, заснована на LandTrendr, класифікувала кілька великих порушених ділянок як SRF у деяких широколистяних ( переважають Quercus spp.) лісах у Донецькій області «Східного» AOI. Однак пошкодження лісового покриву в цих лісах не було видно на супутникових знімках 2023 року. Консультації з волонтерами та військовослужбовцями Збройних сил України, які були присутні на цих територіях протягом весни-літа 2022 року, показали, що ці ліси, ймовірно, зазнали тимчасового знебарвлення через до надзвичайно інтенсивного артилерійського обстрілу з прилеглих російських позицій. Якщо це дійсно так, ми очікуємо, що більшість цих насаджень відновиться. Досі невідомо, який рівень відстроченої смертності спостерігатиметься в наступні роки після цих порушень NSR.

Користь даних дистанційного зондування

Супутниковий підхід до картографування лісових порушень (наприклад, пожеж або вирубки дерев) з використанням відкритих даних Sentinel є дуже цінним в українських умовах. Однак хмарність, шум і непов’язані порушення (наприклад, суцільні рубки до російського вторгнення, але після сезону листя 2021 року) слід відфільтрувати, а великомасштабне картографування пошкодженого лісового покриву, таким чином, має спиратися на добре налагоджені напівавтоматичні алгоритми . Важливо, що слід провести додаткову класифікацію деревних порід (пропущену в цьому дослідженні): наш підхід підвищеної пожежної небезпеки розроблений для хвойних лісів, у той час як деякі листяні насадження (наприклад, уздовж річки Сіверський Донець) також можуть бути пошкоджені.

Наша модель бінарної класифікації (пошкодження або відсутність пошкоджень у лісовому покриві) досягла гарної загальної точності (95,8%). Цей результат узгоджувався з кількома дослідженнями, які використовували дані Sentinel-2 для картографування спалених ділянок (наприклад, 16 ), врожаю дерев (наприклад, 38 ) або смертності дерев, спричиненої біотичними агентами (наприклад, 39 ). Наша модель ґрунтується на простій різниці в спектральних характеристиках AOI до (2021) і після вторгнення (пізня фаза сезону листя 2022). Ми успішно нанесли карту спалених територій (рис.  6 a) і незаконних рубок на окупованих територіях поблизу поточної лінії фронту (рис.  6 b). Ми припустили, що після обстрілу багато лісів згоріли невеликими пожежами та залишилися непоміченими нашою моделлю. Ми очікуємо, що дерева на цих ділянках здебільшого виживуть 13 і такі території не підлягатимуть ліквідаційній рубці. Останнє є важливим, оскільки в цьому дослідженні ми також зосереджуємося на пошкодженому лісовому покриві, який має підвищену пожежну небезпеку, якщо збирати та пересаджувати монокультури сосни звичайної.

малюнок 6
Малюнок 6

Ми надали чітку просторову інформацію про первинні та вторинні (відповідно до підходу LandTrendr 32 ) порушення лісу. Ми досягли високої точності для всіх трьох класів збудника порушення. У той час як попередні дослідження покладалися виключно на індикатор величини NBR спектральних змін, спричинених порушеннями 14 , 40 , ми також витягли підігнані дані для інших предикторів. Тут яскравість китиць була надзвичайно корисною для розрізнення врожаю дерев (SRH) від інших факторів занепокоєння: місця суцільної вирубки стають буквально «світлішими» для супутникових датчиків, тоді як спалені крони дерев варіюються від червоного (трохи «світлішого», ніж здорові темно-зелені). листя) до чорного (набагато «темнішого» у видимому діапазоні електромагнітного спектру). Додавання неспектральних ландшафтних метрик (площа плями та фрактальний індекс форми) сприяло підвищенню точності нашої моделі класифікації. Раніше складні фокальні ландшафтні конфігурації використовувалися, щоб відмежувати порушення врожаю від тих, які викликані вітром і спалахами шкідників 41 . У нашому дослідженні індекс фрактальної форми порушених ділянок був нанесений на карту з нижчими значеннями для простих прямокутних ділянок (суцільних вирізів або SRH), тоді як природні порушення SRF і NSR мали неправильну форму і, отже, вищі значення цього індексу. Площа плями допомогла відрізнити загалом більші ОСР від невеликих пожеж низької інтенсивності після обстрілу (пов’язаних із агентом РМБ).

Майбутня пожежна небезпека та наслідки управління

Ми припускаємо, що пожежна небезпека досліджуваних AOI залишатиметься високою навіть на нещодавно згорілих територіях. Через забруднення НВБ багато спалених соснових насаджень залишаються не врятованими 4 . Це призведе до великих накопичень деревного палива, як стоячих, так і на землі, які незабаром будуть доповнені трав’янистою рослинністю після пожежі, яка є легкозаймистою в посушливі періоди 9 . Існує історія повторного горіння таких територій у CEZ AOI через кілька років після катастрофічних пожеж 8 , 12 .

Пожежі 2022 року підвищили рівень фрагментації лісового покриву на всіх територіях, а особливо на Херсонщині. 89% ділянок у цьому AOI мають підвищену пожежну небезпеку, оскільки вони межують із луками, орними угіддями та лісами (рис.  6 e). Через зараження їх нерозірваними боєприпасами гасіння пожеж у таких лісах залишатиметься дуже складним. Решта ділянок незгорілих, густих соснових насаджень матиме високу пожежну небезпеку через підвищений ризик поширення вогню з навколишньої рослинності. Це міркування заклало основу для офіційної рекомендації керівництва щодо моніторингу та зменшення паливних навантажень у зонах шириною 500 м навколо лісів, оточених орними землями, лісами та пасовищами 42 .

Штучна регенерація горілих ділянок не гарантує зниження пожежної небезпеки. Нещодавно створені насадження сосни звичайної є дуже легкозаймистими, і коли вони досягають висоти 6 м, вони діють як паливо для сходів для сусідніх зрілих насаджень сосни (рис.  6 f). Структурно однорідні насадження високої щільності соснових насаджень (навіть різного віку) не є екологічно стійкими на водонапружених піщаних ґрунтах східної України 9 . Через майже безперервні крони таких лісів надзвичайно добре поширюються верхові пожежі. Виживання окремих сосен у цих щільних штучних насадженнях після інтенсивних наземних пожеж часто є низьким, очевидно, через низьку товщину кори цих відносно молодих (<30 років) дерев 43 . Дослідження показали, що відновленню цих насаджень після пожежі може перешкоджати високий рівень конкуренції за вологість ґрунту з трав’яною рослинністю 44 .

В Україні соснові насадження з високою щільністю (до 10 000 саджанців дерев на 1 га) також зазнали значного відмирання, пов’язаного з посухою, що свідчить про їх чутливість до мінливості навколишнього середовища 10 , 19 . Регенерація територій, випалених протягом 2022 року сосною звичайною, зробить їх уразливими до майбутніх лісових пожеж. Щоб вирішити ці проблеми, дослідження рекомендували перетворити пошкоджені вогнем ландшафти, де переважають соснові насадження, на мозаїку соснових насаджень різної щільності (від типових високощільних насаджень на вологих ділянках до широко розташованих «лісових» структур на найпосушливіших ділянках) і змішаних сосново-широколистяні насадження 9 . Інші варіанти управління пожежними ризиками можуть включати пояси висаджених листяних дерев, які розбивають суцільні простори сосни, і відкриті трав’янисті угруповання («піщаний степ») у надзвичайно сухих і непродуктивних місцях. Насправді фрагментація лісів, спричинена війною, може стати відправною точкою для створення такої мозаїки. Ми припускаємо, що нещодавно фрагментовані ліси можуть виграти від лише часткової регенерації порушених ділянок, причому деякі з них зберігаються як протипожежні смуги з низьким навантаженням на паливо. Це повинно зменшити суміжність палива, що сприятиме швидкому поширенню пожежі.

Контроль за густотою дерев і узліссями може бути важливим елементом нової політики управління 45 . У випадку щільності ми пропонуємо поступове проріджування, щоб зробити крони деревостану рідшими, щоб сприяти розвитку більш товстої та кращої ізоляційної кори. Ми очікуємо вищого відсотка виживання дерев під час наземних пожеж і кращих можливостей гасіння під час кронових пожеж у зріджених насадженнях 43 . Цілком імовірно, що соснові насадження низької щільності були поширеними як частина природної рослинності в усіх трьох AOI до появи інтенсивного плантаційного лісівництва. Лісові узлісся, що межують із сільськогосподарськими полями та житловими районами, є типовими джерелами займання, і управління ними може включати контроль щільності насаджень і навантажень палива, зокрема, драбинного палива 6 . Тоді така практика буде подібна до тих, що застосовуються до «інтерфейсу міста та дикої місцевості» в Північній Америці 11 .

Місцевий рельєф може допомогти підвищити стійкість лісу до пожеж. Наприклад, одна з найбільших соснових лісів в АОІ «Схід» на південний захід від міста Кремінна межує зі сходу та півдня (напрямки, звідки переважаючі вітри цього регіону зазвичай приносять пожежі) річкою Сіверський Донець та її широколистяні ліси в заплаві та на нижніх терасах (рис.  6 в). Це допомагає пояснити, чому ці ліси були практично незачеплені лісовими пожежами, які сталися протягом 1991–2021 років, коли майже всі інші соснові ліси в «Східному» AOI постраждали від пожеж 7 . Площа насаджень сосни звичайної порівнянного масштабу на північний схід від Кремінної, яка не мала буфера, що відокремлював її від прилеглих сільськогосподарських полів, зазнала пожежі, яка спалила 5750 га у 1997 році (рис.  6 d).

У нашому дослідженні не обговорювалась роль вторинних порушень, наприклад, вищий рівень вітровалів у лісах із збільшеним співвідношенням краю до розміру, а також наслідки змін у гідрології через руйнування дамби Нова Каховка в червні 2023 року. Їх вплив буде ймовірним. довгострокові і вимагатимуть такої ж тривалої програми моніторингу для їх адекватної оцінки. Війна в Україні триває, і оцінки, наведені в дослідженні, будуть оновлені, щойно з’являться нові дані. На момент подання цієї статті численні відеоматеріали, опубліковані учасниками бойових дій та волонтерами з обох сторін у 2023 році, свідчать про масштабні пошкодження дорослих соснових лісів у районі Кремінської АОІ «Схід» внаслідок наступних артилерійських ударів по українських позиціях у площа. Це пошкодження призвело до зламаних крон і падінь дерев, а також до високої смертності крони, схожої на смертність після сильного вітру.

Ми закликаємо розробити програму довгострокового моніторингу пошкоджених територій з використанням польових інвентаризацій (де це можливо) та засобів ДЗЗ. Існує нагальна потреба в новій концептуальній основі для спрямування програм регенерації, яка б враховувала контекст ландшафту та майбутні пожежні ризики, особливо для південної та східної частини України. Дані дистанційного зондування забезпечують потужну підтримку майбутнього лісового планування в Україні, яке має враховувати розподіл палива на рівні ландшафту, ризик неконтрольованого поширення пожежі та зараження нерозірваними боєприпасами.

Висновки

Дані дистанційного зондування залишаються єдиним можливим джерелом інформації про масштаби шкоди, завданої українським лісам вторгненням Росії. Ми виявили значно вищу частку пошкодженої площі лісового покриву в AOI «Херсон» (15,7% лісів з 2021 роком як вихідний рівень) порівняно з AOI «Схід» (9,3%) та CEZ AOI (5,0%). Ми пов’язуємо це з пожежами, спричиненими обстрілами, оскільки показники природної пожежної погоди у 2022 році були помірними і не могли передбачити масштаб вигорілої території в межах досліджуваних AOI. У межах «Херсонської» AOI ландшафтна мозаїка різних землекористувань виглядає більш різноманітною, а ліси більш фрагментованими: 89% пошкоджених ділянок лісу, ймовірно, матимуть підвищену пожежну небезпеку (порівняно з 70% у «Східній» та CEZ AOI відповідно). . Відновлення цих пошкоджених лісів у післявоєнний період може бути скомпрометовано поточною практикою господарювання, яка сприятиме розвитку лісів, нестійких до стресів, спричинених кліматом. Ми закликаємо включити політику відновлення «з урахуванням пожеж» у післявоєнне управління лісами та довгостроковий моніторинг постраждалих від війни українських лісів.

Доступність даних

Дані та код для аналізу (включаючи метадані) доступні на Zenodo ( https://zenodo.org/record/8132956 ). Карти опубліковані на платформі GEE як веб-додаток ( https://matsalanubip.users.earthengine.app/view/damage-to-forests-in-ukraine-1986-2022 ).

Список літератури

  1. Kussul, N. et al. Assessing damage to agricultural fields from military actions in Ukraine: An integrated approach using statistical indicators and machine learning. Int. J. Appl. Earth Obs. Geoinform. 125, 103562. https://doi.org/10.1016/j.jag.2023.103562 (2023).Article Google Scholar 
  2. Pereira, P., Basic, F., Bogunovic, I. & Barcelo, D. Russian-Ukrainian war impacts the total environment. Sci. Total Environ. 837, 155865. https://doi.org/10.1016/j.scitotenv.2022.155865 (2022).Article ADS CAS PubMed Google Scholar 
  3. Rawtani, D., Gupta, G., Khatri, N., Rao, P. K. & Hussain, C. M. Environmental damages due to war in Ukraine: A perspective. Sci. Total Environ. 850, 157932. https://doi.org/10.1016/j.scitotenv.2022.157932 (2022).Article ADS CAS PubMed Google Scholar 
  4. Zibtsev, S., Soshenskyi, O., Goldammer, J.G., Myroniuk, V., Borsuk, O., Gumeniuk, V., Mieshkova, V., Vasyliuk, O. & Buksha, I. Forest management on territories contaminated with unexploded ordnance. In Technical Report, WWF-Ukraine (2023).
  5. Myroniuk, V., Kutia, M., Sarkissian, A. J., Bilous, A. & Liu, S. Regional-scale forest mapping over fragmented landscapes using global forest products and Landsat time series classification. Remote Sens. 12, 187. https://doi.org/10.3390/rs12010187 (2020).Article ADS Google Scholar 
  6. Soshenskyi, O. et al. The current landscape fire management in Ukraine and strategy for its improvement. Environ. Socio-Econ. Stud. 9(2), 39–51. https://doi.org/10.2478/environ-2021-0009 (2021).Article Google Scholar 
  7. Shumilo, L. et al. Conservation policies and management in the Ukrainian Emerald Network have maintained reforestation rate despite the war. Commun. Earth Environ. 4, 443. https://doi.org/10.1038/s43247-023-01099-4 (2024).Article ADS Google Scholar 
  8. Ager, A. A. et al. The wildfire problem in areas contaminated by the Chernobyl accident. Sci. Total Environ. 696, 133594. https://doi.org/10.1016/j.scitotenv.2019.133954 (2019).Article CAS Google Scholar 
  9. Zibtsev, S., Savushchyk, M., Maurer, V., Balabukh, V., Myroniuk, V., Pinchuk, A., Ivaniuk, I., Lobchenko, G., Soshenskyi, O., Humeniuk, V. & Tarnopilskyi, P. Restoring Post-Fire Forests in Luhanska Oblast Under Climate Change. 152 (NUBIP Publishing Unit, 2022) (in Ukrainian).
  10. Shvidenko, A., Buksha, I., Krakovska, S. & Lakyda, P. Vulnerability of Ukrainian forests to climate change. Sustainability 9(7), 1152 (2017).Article Google Scholar 
  11. Hall, J. V. et al. Environmental and political implications of underestimated cropland burning in Ukraine. Environ. Res. Lett. 16, 064019. https://doi.org/10.1088/1748-9326/abfc04 (2021).Article ADS CAS PubMed Google Scholar 
  12. Matsala, M. et al. Wall-to-wall mapping of carbon loss within the Chornobyl exclusion zone after the 2020 catastrophic wildfire. Ann. For. Sci. 80, 26. https://doi.org/10.1186/s13595-023-01192-w (2023).Article Google Scholar 
  13. Soshenskyi, O., Myroniuk, V., Zibtsev, S., Gumeniuk, V. & Laschchenko, A. Evaluation of field-based burn indices for assessing forest fire severity in Luhansk Region, Ukraine. Ukrainian J. For. Wood Sci. 13(1), 48–57. https://doi.org/10.31548/forest.13(1).2022.48-57 (2022).Article Google Scholar 
  14. Nguyen, T. H., Jones, S. D., Soto-Borelov, M., Haywood, A. & Hislop, S. A spatial and temporal analysis of forest dynamics using Landsat time-series. Remote Sens. Environ. 217, 461–475. https://doi.org/10.1016/j.rse.2018.08.028 (2018).Article ADS Google Scholar 
  15. Senf, C., Buras, A., Zang, C. S., Rammig, A. & Seidl, R. Excess forest mortality is consistently linked to drought across Europe. Nat. Commun. 11, 6200. https://doi.org/10.1038/s41467-020-19924-1 (2020).Article ADS CAS PubMed Google Scholar 
  16. Navarro, G. et al. Evaluation of forest fire on Madeira Island using Sentinel-2A MSI imagery. Int. J. Appl. Earth Obs. Geoinform. 58, 97–106. https://doi.org/10.1016/j.jag.2017.02.003 (2017).Article ADS Google Scholar 
  17. Tanase, M. A., Kennedy, R. & Aponte, C. Radar burn ratio o for fire severity estimation at canopy level: An example for temperate forests. Remote Sens. Environ. 170, 14–31. https://doi.org/10.1016/j.rse.2015.08.025 (2015).Article ADS Google Scholar 
  18. Skakun, S., Justice, C. O., Kussul, N., Shelestov, A. & Lavreniuk, M. Satellite data reveal cropland losses in south-eastern Ukraine under military conflict. Front. Earth Sci. 7, 305. https://doi.org/10.3389/feart.2019.00305 (2019).Article ADS Google Scholar 
  19. Senf, C. & Seidl, R. Mapping the forest disturbance regimes over Europe. Nat. Sustain. 4, 63–70. https://doi.org/10.1038/s41893-020-00609-y (2020).Article Google Scholar 
  20. Smaliychuk, A., Ghazaryan, G. & Dubovyk, O. Land-use changes in Northern Ukraine: Patterns and dynamics of illegal amber mining during 1986–2016. Environ. Monit. Assess. 193, 502. https://doi.org/10.1007/s10661-021-09317-2 (2021).Article PubMed Google Scholar 
  21. Miller, C. & Ager, A. A. A review of recent advances in risk analysis for wildfire management. Int. J. Wildland Fire 22, 1–14. https://doi.org/10.1071/WF11114 (2013).Article Google Scholar 
  22. Hensiruk, S. A. Forest resources of Ukraine (Naukova Dumka, 1992) ((in Ukrainian)).Google Scholar 
  23. Lykhovyd, P. Study of climate impact on vegetation cover in Kherson Oblast (Ukraine) using normalized difference and enhanced vegetation indices. J. Ecol. Eng. 22(6), 126–135. https://doi.org/10.12911/22998993/137362 (2021).Article Google Scholar 
  24. Matsala, M. et al. The return of nature to the Chernobyl exclusion zone: Increases in forest cover of 15 times since the 1986 disaster. Forests 12(8), 1024. https://doi.org/10.3390/f12081024 (2021).Article Google Scholar 
  25. Evangeliou, N. et al. Resuspension and atmospheric transport of radionuclides due to wildfires near the Chernobyl Nuclear Power Plant in 2015: An impact assessment. Sci. Rep. 6, 26062. https://doi.org/10.1038/srep26062 (2016).Article ADS CAS PubMed Google Scholar 
  26. Gorelick, N. et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sens. Environ. 202, 18–27 (2017).Article ADS Google Scholar 
  27. Key, C.H. & Benson, N.C. Landscape assessment (LA). In Rocky Mountain Research Station, General Technical Report, Rocky Mountain Research Station. 55 (2006).
  28. Breiman, L. Random forests. Mach. Learn. 45(1), 5–32 (2001).Article Google Scholar 
  29. Olofsson, P. et al. Good practices for estimating area and assessing accuracy of land change. Remote Sens. Environ. 148, 42–57. https://doi.org/10.1016/j.rse.2014.02.015 (2014).Article ADS Google Scholar 
  30. Forest Code. https://zakon.rada.gov.ua/laws/show/3852-12#Text (2006) (in Ukrainian).
  31. Zhu, Z. & Woodcock, C. E. Continuous change detection and classification of land cover using all available Landsat data. Remote Sens. Environ. 144, 152–171. https://doi.org/10.1016/j.rse.2014.01.011 (2014).Article ADS Google Scholar 
  32. Kennedy, R. E., Yang, Z. & Cohen, W. B. Detecting trends in forest disturbance and recovery using yearly Landsat time series:1. LandTrendr—Temporal segmentation algorithms. Remote Sens. Environ. 114, 2897–2910. https://doi.org/10.1016/j.rse.2010.07.008 (2010).Article ADS Google Scholar 
  33. Kennedy, R. E. et al. Implementation of the LandTrendr algorithm on Google Earth Engine. Remote Sens. 10, 691. https://doi.org/10.3390/rs10050691 (2018).Article ADS Google Scholar 
  34. Hesselbarth, M., Sciaini, M., With, K. A., Wiegand, K. & Nowosad, J. landscapemetrics: An open-source R tool to calculate landscape metrics. Ecography 42, 1648–1657 (2019).Article ADS Google Scholar 
  35. Field, R. D. et al. Development of a global fire weather database. Nat. Haz. Earth Syst. Sci. 15, 1407–1423. https://doi.org/10.5194/nhess-15-1407-2015 (2015).Article ADS Google Scholar 
  36. UNCG (Ukrainian Nature Conservation Group, 2022). Since 24 February 2022 More Than 22,000 ha were Burned in Exclusion Zone: Consequences of Occupation Continue to Threaten the Environment. https://uncg.org.ua/z-24-liutoho-v-zoni-vidchuzhennia-vyhorilo-ponad-22000-ha-naslidky-okupatsii-prodovzhuiut-zavdavaty-shkody-dovkilliu/(in Ukrainian).
  37. Euronews.Green. ‘Silent Victim’: This Map Shows the Environmental Destruction Done by a Year of War in Ukrainehttps://www.euronews.com/green/2023/02/21/silent-victim-this-map-shows-the-environmental-destruction-done-by-a-year-of-war-in-ukrain (2023)
  38. Lastovicka, J. et al. Sentinel-2 data in an evaluation of the impact of the disturbances on forest vegetation. Remote Sens. 12(12), 1914. https://doi.org/10.3390/rs12121914 (2020).Article ADS Google Scholar 
  39. Huo, L., Persson, H. J. & Lindberg, E. Early detection of forest stress from European spruce bark beetle attack, and a new vegetation index: Normalized distance red & SWIR (NDRS). Remote Sens. Environ. 255, 112240. https://doi.org/10.1016/j.rse.2020.112240 (2021).Article Google Scholar 
  40. Myroniuk, V. et al. Tracking rates of forest disturbance and associated carbon loss in areas of illegal amber mining in Ukraine using Landsat time series. Remote Sens. 12, 2235. https://doi.org/10.3390/rs12142235 (2020).Article ADS Google Scholar 
  41. Sebald, J., Senf, C. & Seidl, R. Human or natural? Landscape context improves the attribution of forest disturbances mapped from Landsat in Central Europe. Remote Sens. Environ. 262, 112502. https://doi.org/10.1016/j.rse.2021.112502 (2021).Article Google Scholar 
  42. Sydorenko, S., Melnyk, Y., Voron, V. & Koval, I. Improvement of the natural fire hazard assessment scale and refinement of local fire danger by weather condition scales. In Kharkiv, URIFFM. 18 (2022) (in Ukrainian)
  43. Sydorenko, S. et al. Postfire tree mortality and fire resistance patterns in pine forests of Ukraine. Central Eur. For. J. 67, 21–29. https://doi.org/10.2478/forj-2020-0029 (2021).Article Google Scholar 
  44. Koval, I. & Sydorenko, S. The influence of surface fire on radial and height growth of Pinus sylvestris L. in forest-steppe in Ukraine. Folia For. Polon. Ser. A For. 61(2), 123–134. https://doi.org/10.2478/ffp-2019-0012 (2019).Article Google Scholar 
  45. Moreau, G. et al. Opportunities and limitations of thinning to increase resistance and resilience of trees and forests to global change. For. Int. J. For. Res. 95(5), 595–615. https://doi.org/10.1093/forestry/cpac010 (2022).Article Google Scholar 

Download references

Acknowledgements

This study was supported by Svenska Forskningsrådet Formas (grant # 2019-00813), SLU Forest Damage Centre (grant # SFAK2022-51-27), and Ministry of Education and Science of Ukraine (grant # 110/3m-pr-2022).

Funding

Open access funding provided by Swedish University of Agricultural Sciences.

Author information

Author notes

  1. Brian Milakovsky is an independent researcher and forestry consultant.

Authors and Affiliations

  1. Swedish University of Agricultural Sciences, Alnarp, SwedenMaksym Matsala & Igor Drobyshev
  2. National University of Life and Environmental Sciences of Ukraine, Kyiv, UkraineAndrii Odruzhenko, Viktor Myroniuk, Sergiy Zibtsev & Andrii Bilous
  3. Ukrainian Hydrometeorological Institute, Kyiv, UkraineTaras Hinchuk
  4. Ukrainian Order ‘Sign of Honor’ Research Institute of Forestry and Forest Melioration Named After G. M. Vysotsky, Kharkiv, UkraineSerhii Sydorenko
  5. Jurmala, LatviaBrian Milakovsky
  6. International Institute for Applied Systems Analysis, Laxenburg, AustriaDmitry Schepaschenko & Florian Kraxner
  7. University of Quebec at Abitibi-Temiscamingue, Ville-Marie, CanadaIgor Drobyshev

Contributions

M.M. outlined the initial idea, M.M., V.M. and A.B. designed the study. M.M., A.O., T.H., and S.S. collected the data. M.M. and I.D. analyzed the data. M.M., V.M. and B.M. wrote the draft of manuscript. I.D., S.Z., D.S., F.K., and A.B. commented and edited the written manuscript. All authors reviewed and accepted the final version of the manuscript.

Corresponding author

Correspondence to Maksym Matsala.

Ethics declarations

Competing interests

The authors declare no competing interests.

Additional information

Publisher’s note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Supplementary Information

Supplementary Information.

Open Access This article is licensed under a Creative Commons Attribution 4.0 International License, which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons licence, and indicate if changes were made. The images or other third party material in this article are included in the article’s Creative Commons licence, unless indicated otherwise in a credit line to the material. If material is not included in the article’s Creative Commons licence and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder. To view a copy of this licence, visit http://creativecommons.org/licenses/by/4.0/.

Reprints and permissions

About this article

Cite this article

Matsala, M., Odruzhenko, A., Hinchuk, T. et al. War drives forest fire risks and highlights the need for more ecologically-sound forest management in post-war Ukraine. Sci Rep 14, 4131 (2024). https://doi.org/10.1038/s41598-024-54811-5

Download citation

  • Received04 October 2023
  • Accepted16 February 2024
  • Published19 February 2024
  • DOIhttps://doi.org/10.1038/s41598-024-54811-5

Share this article

Anyone you share the following link with will be able to read this content:Get shareable link

https://www.nature.com/articles/s41598-024-54811-5