Viktor Sidorenkov

Viktor Sidorenkov

Auto-generated profile, based on publicly available information

Viktor Sidorenkov

Всероссийский научно-исследовательский институт лесоводства и механизации лесного хозяйства

Research Focus & Metrics

Academic Career Length

10Years (2017-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
1 November 2017 in Forestry Engineering Journal
Verified
Journal Article
Open access
VZVladimir Zheldak
Vladimir Zheldak
VSViktor Sidorenkov
Viktor Sidorenkov
EDElvira Doroshchenkova
Elvira Doroshchenkova
IPIrina Proka
Irina Proka

1 September 2024 in Известия СПбЛТА
Verified
Journal Article
Open access
PDF file
ФИФ. С. Ильин
Ф. С. Ильин
ВСВ. М. Сидоренков
В. М. Сидоренков
ХМХ. Г. Мусин
Х. Г. Мусин
АГА. Х. Гайфуллин
А. Х. Гайфуллин
ВЧВ. И. Чернов
В. И. Чернов
Состояние дубовых лесов Среднего Поволжья ухудшается на протяжении многих десятилетий. Биологическая устойчивость, продуктивность и качество дубовых насаждений снижаются из-за значительного воздействия комплекса неблагоприятных природно-климатических факторов (морозы, засуха, вредители, дикие животные и т. д.), а также последствий недостаточно эффективной хозяйственной деятельности. В данной статье представлены материалы и результаты исследований по Государственному заданию Рослесхоза, выполнявшихся в 2018-2021 годах филиалом Всероссийского научно-исследовательского института лесоводства и механизации лесного хозяйства (ФБУ ВНИИЛМ) «Восточно-Европейская лесная опытная станция». Цель исследования - выявление эффективных и разработка инновационных и усовершенствованных технологий в процессе лесовосстановления дубовых насаждений, прореживания, защиты от вредителей, диких животных и пожаров для выращивания качественных и устойчивых дубовых насаждений в Среднем Поволжье. В работе представлены опытно-производственные объекты (всего 26 общей площадью 177,4 га) с плантациями дуба искусственного и естественного происхождения в возрасте 21-37 лет, созданные в период 1983-1999 гг. и сформированные под руководством сотрудников станции на вырубках и на участках реконструкции погибших дубрав с применением различных методов и технологий лесовосстановления и ухода за дубравами на территории республик Чувашия и Татарстан. Результатом исследований являются инновационные и усовершенствованные технологии и методы ведения лесного хозяйства в дубравах, а также рекомендации для их использования в лесах Среднего Поволжья. The condition of oak forests of the Middle Volga region has been deteriorating for many decades. The biological stability, productivity and quality of oak plantations are decreasing due to the significant impact of a complex of unfavorable natural and climatic factors (frost, drought, pests, wild animals, etc.), as well as the consequences of insufficiently effective economic activity. This paper presents the materials and results of the research under the State Assignment of Rosleskhoz, carried out in 2018-2021 by the branch of the All-Russian Research Institute of Forestry and Mechanization of Forestry (FBU VNIILM) «East European Forest Experimental Station». The aim of the study was to identify effective and develop innovative and improved technologies in the process of reforestation oak stands, thinning, protection from pests, wild animals and fires for growing high-quality and sustainable oak stands in the Middle Volga region. The paper presents experimental and production objects (26 in total with a total area of 177.4 hectares) with plantations of oak trees of artificial and natural origin at the age of 21-37 years, created in the period 1983-1999 and formed under the guidance of the station staff on clearcuts and on the sites of reconstruction of dead oak trees using different methods and technologies of reforestation and care of oak trees on the territory of the Republics of Chuvashia and Tatarstan. The results of the research are innovative and improved technologies and methods of forest management in oak forests, as well as recommendations for use in the forests of the Middle Volga region.

28 December 2024 in Известия СПбЛТА
Verified
Journal Article
Open access
PDF file
ДКД. Ю. Капиталинин
Д. Ю. Капиталинин
ВСВ. М. Сидоренков
В. М. Сидоренков
ЮАЮ. С. Ачиколова
Ю. С. Ачиколова
ДАД. О. Астапов
Д. О. Астапов
ОРО. В. Рябцев
О. В. Рябцев
РЩР. В. Щекалев
Р. В. Щекалев
В статье рассматривается технология оценки качества материалов таксации леса на основе анализа связей таксационных показателей насаждений с их спектрально-отражательными характеристиками. При проведении исследований используются данные спутниковой съемки Sentinel-2 в видимом и инфракрасном диапазоне спектра с пространственным разрешением 10 м. The article considers the technology of assessing the quality of forest taxation materials based on the analysis of the relationship between the taxation indicators of plantations and their spectral-reflective characteristics. The research uses Sentinel-2 satellite imagery data in the visible and infrared spectral ranges with a spatial resolution of 10 m.

26 December 2025 in Известия СПбЛТА
Verified
Journal Article
Open access
PDF file
ДКД. Ю. Капиталинин
Д. Ю. Капиталинин
ПТП. А. Тищенко
П. А. Тищенко
ВСВ. М. Сидоренков
В. М. Сидоренков
ЮАЮ. С. Ачиколова
Ю. С. Ачиколова
ДАД. О. Астапов
Д. О. Астапов
РЩР. В. Щекалев
Р. В. Щекалев
В статье рассматривается применение нейросетей глубокого обучения для проверки таксационных показателей лесов, полученных при проведении лесоустройства. Авторами разработана технология верификации данных лесоустройства, основанная на использовании оптических спутниковых снимков высокого разрешения, обработка которых происходит посредством нейросетей. В качестве исходных данных взяты снимки территории Меленковского участкового лесничества Владимирской области с аппаратов Sentinel-2, проведена атмосферная коррекция с помощью алгоритма Sen2Cor. Автоматизация процесса лесотаксационного дешифрирования снимков выполнена в программном обеспечении «Геотрон. Лес-валидация» – специализированном геоинформационном ресурсе, разработанном сотрудниками НЦ ОМЗ, ФБУ ВНИИЛМ и ФГБУ«Рослесинфорг». Для обучения нейросетевых моделей использовались библиотеки TensorFlow и Keras, обучающая выборка основана на средних значениях пикселей в границах каждого выдела для каждого канала. После обучения нейросеть определяет таксационные показатели для каждого выдела, а также выдает разницу между данными из лесоустроительной документации и рассчитанными с помощью нейросети, что позволяет выявить отклонения по запасу, полноте, возрасту насаждений. Работа модели продемонстрировала, что значительная часть неточных данных по лесоустройству характерна для сложных насаждений с несколькими породами в составе, а также для редкостойных приспевающих и спелых древостоев с различным породным составом первого яруса. Результат проведенного эксперимента показал, что точность обучения и работы нейросети напрямую зависит от объема данных, в частности, количества выделов, по которым происходит обучение. Приемлемые результаты получаются при количестве выделов, превышающем 5000 штук. Исходя из этого, разработанная технология позволяет получить хорошие результаты по валидации результатов лесоустройства на территории, превышающей площадь 10 тысяч гектаров, что сравнимо со средней площадью одного участкового лесничества в центральной части России. The article discusses the use of deep learning neural networks to verify forest taxation indicators obtained during forest management. The authors have designed a technology for verifying forest management data based on the high-resolution optical satellite images processed applying neural networks. The initial data were images of the Melenkovskoye forestry district in the Vladimir region taken from Sentinel-2 satellites; atmospheric correction was performed with the Sen2Cor algorithm. The process of forest taxation interpretation of images was automated with the «Geotron. Forest Validation» software, a specialized geoinformation resource developed by the NC OMZ, FBU VNIILM and FGBU “Roslesinforg”. The TensorFlow and Keras libraries were used to train the neural network models; the training sample was based on the average pixel values within the boundaries of each plot for every channel. After training, the neural network determined forest characteristics for each section, and also gave the difference between the forest management documentation data and those calculated by the neural network; this allowed identifying deviations in the stock volume, forest density, and stands age. The model's operation demonstrated that a significant portion of inaccurate forest management data is typical for complex stands with several species in the composition, as well as for sparse maturing and mature stands with different species composition of the first tier. The study result showed that the accuracy of neural network training and operating directly depends on the of data amount, in particular, the number of sections for which training occurs. Acceptable results are obtained with a sections number exceeding 5,000 pieces. Considering this, the developed technology allows obtaining good results in validating forest management data on an area exceeding 10 thousand hectares, which is comparable to the average area of one forestry district in the central part of Russia.