CC BY
283
УДК 528.88
ОЦЕНКА СОСТОЯНИЯ ПОСЕВОВ ЗЕРНОВЫХ КУЛЬТУР ПО ДАННЫМ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ
Евгений Игоревич Сапрыкин
Сибирский центр ФГБУ «НИЦ "Планета"», 630099, Россия, Новосибирск, ул. Советская, 30, младший научный сотрудник; Сибирский государственный университет геосистем и технологий, 630108, Россия, Новосибирск, ул. Плахотного, 10, магистрант кафедры физической геодезии и дистанционного зондирования, тел. (913)204-33-39, e-mail: [email protected]
Любовь Александровна Сладких
Сибирский центр ФГБУ «НИЦ "Планета"», 630099, Россия, Новосибирск, ул. Советская, 30, ведущий специалист, тел. (383)222-33-07, e-mail: [email protected]
Екатерина Николаевна Кулик
Сибирский государственный университет геосистем и технологий», 630108, Россия, Новосибирск, ул. Плахотного, 10, кандидат технических наук, доцент кафедры физической геодезии и дистанционного зондирования, тел. (913)926-82-57, e-mail: [email protected]
Средства дистанционного зондирования Земли (ДЗЗ) позволяют значительно упростить задачу мониторинга состояния посевов в течение всего вегетационного периода, заменив или оптимизировав трудоёмкий процесс наземного сбора данных. В ФГБУ «НИЦ "Планета"» разработан алгоритм, позволяющий строить карты оценки состояния посевов зерновых культур по трём градациям, принятым в агрометеорологии: хорошее состояние посевов, удовлетворительное и плохое.
Ключевые слова: информационные технологии, зерновые культуры, оценка состояния посевов, шутник TERRA, спутник AQUA, данные прибора MODIS.
ASSESSMENT OF GRAIN CROPS BASED ON REMOTE SENSING DATA
Eugene I. Saprykin
Siberian Center FGBU «SRC "Planeta"», 630099, Russia, Novosibirsk, Sovetskaya st., 30, Junior Researcher; Siberian State University of Geosystems and Technologies, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., Master student of Physical Geodesy and Remote Sensing Department, tel. (913)204-33-39, e-mail: [email protected]
Lyubov A. Sladkikh
Siberian Center FGBU «SRC "Planeta"», 630099, Russia, Novosibirsk, Sovetskaya st., 30, Leading Specialist, tel. (383)222-33-07, e-mail: [email protected]
Ekaterina N. Kulik
Siberian State University of Geosystems and Technologies, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., Ph. D., Associate Professor of Physical Geodesy and Remote Sensing Department, tel. (913)926-82-57, e-mail: [email protected]
Methods of remote sensing (RS) can simplify the task of crops' monitoring during the growing season, may replace or optimize the laborious process of field data collection. Algorithm, developed in FGBU «SRC "Planeta"», allows to collect the maps of grain crops' assessment in agro-meteorological gradation scale: a good state of cultivation, fair or poor.
Key words: information technology, crops, crops' condition assessment, satellite TERRA, satellite AQUA, MODIS data.
Полноценный мониторинг сельскохозяйственных культур с целью оценки состояния растительности и прогнозирования урожайности требует регулярного сбора больших объёмов данных. Объективные данные о состоянии сельскохозяйственных культур на больших территориях можно получить с помощью средств дистанционного зондирования Земли (ДЗЗ) из космоса. В то же время для установления связей между характеристиками космических снимков и фактическим состоянием растительности необходимо провести контрольные измерения биометрических характеристик на полях тестовых хозяйств.
Благодаря устойчивому функционированию таких космических аппаратов (КА), как Terra/Aqua, Spot и Landsat появилась возможность использования многолетних рядов данных регулярных измерений. Количественной характеристикой состояния посевов служит нормализованный вегетационный индекс NDVI (Normalized Difference Vegetation Index).
Получить необходимые многозональные данные можно с КА Terra/Aqua, снимки оперативно принимаются и обрабатываются в Сибирском центре «НИЦ «Планета» 2 - 3 раза в сутки. Получение производных изображений на основе многозональных спутниковых данных путем обработки специальными алгоритмами позволяет оценивать состояние биомассы, продуктивность растений и осуществлять мониторинг состояния посевов.
Большой ряд данных статистической фактической урожайности зерновых культур в тестовых хозяйствах (2001-2011гг.) и накопленная база данных измерений NDVI за такой же ряд лет позволили найти и формализовать связи между данными ДЗЗ и фактическим состоянием растительности на рассматриваемой территории. На основе этой связи был создан алгоритм построение карт оценки состояния посевов зерновых культур по трем градациям, принятым в агрометеорологии: хорошее, удовлетворительное и плохое состояние посевов; для четырёх административных единиц Западно-Сибирского региона: Новосибирской, Омской, Кемеровской областей и Алтайского края.
Первые три этапа методики реализованы в виде программных модулей на языке IDL (Interactive Data Language) и используют функционал программного комплекса ENVI (Exelis VIS, США) и MODIS conversion tool kit (MCTK). Они заключаются в обработке информации низкого разрешения, полученной со спектрорадиометра MODIS, установленного на КА Terra/Aqua.
На первом этапе технологии построения карты состояния посевов используются композиты MOD09_GQ и MOD09_GA - результаты предобработанных данных прибора MODIS с КА Terra/Aqua. Из них можно получить значения отражательной способности в красном и ближнем инфракрасном спектральных каналах, необходимых для расчёта индекса растительности NDVI, а также на их основе построить маску облачности. Далее производное изображение NDVI совмещается с маской облачности. Пример фрагмента получаемого изображения представлен на рис. 1.
Данные с КА Terra/Aqua отлично подходят для задач мониторинга, так как ежедневно обновляются. Специальный программный модуль собирает и заносит в базу данных, под управлением СУБД PostgreSQL 9.1, численные значения NDVI с более чем 8000 точек, являющихся центроидами рабочих участков на отдельно взятых полях тестовых хозяйств. Специалист может получить оперативный доступ к процессу через специально разработанный удобный web-интерфейс (рис. 2).
На втором этапе на растровое изображение накладывается маска неиспользуемых земель, выполняется классификация участков снимка, незакрытых масками. Маски неиспользуемых земель строились на основе снимков высокого разрешения с КА Spot и Landsat. Фрагмент маски изображён на рис. 3.
Рис. 1. Пример производного изобра- Рис. 2. Интерфейс программного мо-жения индекса NDVI дуля автоматического сбора значений
NDVI
Каждый пиксель полученной растровой тематической карты окрашивается в красный, жёлтый или зелёный цвет в зависимости от значения NDVI и даты, в которую был получен снимок. Это правило можно увидеть на рис. 4. Красный цвет пикселя соответствует плохому состоянию, жёлтый - удовлетворительному, зелёный - хорошему состоянию растительности.
Рис. 3. Снимок с масками облачности Рис. 4. Распределение значений индекса и неиспользуемых земель NDVI для трех классов посевов
Для выявления общих тенденций изменения индекса вегетации проведены исследования динамики значений NDVI на протяжении всего вегетационного периода по данным нескольких тестовых хозяйств, изначально разделенных на три категории: с хорошим, удовлетворительным и плохим земледелием.
В частности, было замечено, что чем выше продуктивность зерновых культур в хозяйстве, тем больше диапазон изменений значений NDVI на рабочих участках за вегетационный период (выше значение разницы между минимумом и максимумом), этот факт послужил критерием распределения хозяйств на три категории. По этому критерию можно классифицировать все тестовые хозяйства и определить пороговые значения категорий для оперативной классификации состояния посевов по всему региону.
1) На основе архива MOD09 и данных о месте положения рабочих участков, составим множество сборов данных:
Т = {(ndvi, id, doy, year)}, (1)
где T- множество сборов данных,
ndvi - полученное значение индекса вегетации в точке, id - идентификатор рабочего участка на котором был произведён сбор, doy - порядковый номер дня в году, когда был произведён сбор, year - год когда был произведён сбор.
2) Определим S(id, year) подмножество T следующим образом: S(id,year) с Т,
S(id,year) = {s Е T\s.id = id; s.year = year}, (2)
где S(id,year) - множество сборов с одного рабочего участка за один вегетационный период,
s - некий элемент из множества сборов Т,
s. id - идентификатор рабочего участка, где был произведён сбор,
s.year - год, когда был произведён сбор.
3) Зададим функцию dif, определяющую разницу между максимальным и минимальным значениями индекса вегетации на одном рабочем участке за вегетационный период:
dif (id, year) = max(S(id, year). ndvi) — min(S(id, year). ndvi), (3)
где dif(id, year) - функция, результатом которой является разница между минимальным и максимальным значением ndvi на рабочем участке с индексом id за год year,
max(S(id, year). ndvi) - максимальное значение ndvi на рабочем участке с индексом id за год year,
min(S(id,year).ndvi) - минимальное значение ndvi на рабочем участке с индексом id за год year.
4) Строим три множества характерных значений NDVI за вегетационный период:
Fb(ye ar) = {s£ Tls .ye ar = ye ar; d if(s. id,ye ar) E В ad}, (4а)
Fn(ye ar) = {s E T|s .ye ar = ye ar; d if(s. i d,ye ar) E N о rma l}, (46) Fg(y e ar) = {t E Tit .ye ar = ye ar; d if (t. i d,y e ar) E G о о d}, (4в)
- эмпирически подобранные интервалы, позво-
В ad =( 0 . О 7 ; 0. 3 75) где Normal = (0. 3 75; 0 . 57) Go о d =( 0 . 5 7; 0.8 75) ляющие оценить состояние рабочего участка по окончании вегетационного периода,
Fb (year) - множество сборов, за год year, отнесённых к плохому состоянию растительности,
( ) - множество сборов, за год year, отнесённых к удовлетворительному состоянию растительности,
Fg (year) - множество сборов, за год year, отнесённых к хорошему состоянию растительности,
s - некий элемент из множества сборов Т.
5) Множества характерных значений NDVI за все вегетационные периоды объединяются в одно множество для каждой категории земледелия:
2011 ^ ^ 11
= U Fb(i)
¿=2001 2011
Т
J п
Т
S9
= U Fn(i)
¿=2001 2011
= U Fg(°
¿=2001
(5)
где Т ь - множество сборов, за все имеющиеся в архиве годы, отнесённых к плохому состоянию растительности,
Тп - множество сборов, за все имеющиеся в архиве годы, отнесённых к удовлетворительному состоянию растительности,
- множество сборов, за все имеющиеся в архиве годы, отнесённых к хорошему состоянию растительности.
6) На основе трёх множеств характерных значений строятся граничные значения МОУ1, по которым можно определить состояние посевов в любой день вегетационного периода, а не после его окончания.
На третьем этапе полученный растр перепроецируется в географическую проекцию (синусоидальная проекция, в которой изначально находятся снимки, сильно искажает истинную форму объектов), комбинируется с векторным слоем неиспользуемых земель, векторными масками рек и крупных водных объектов.
На заключительном этапе в ГИС ArcGIS 10.2 (ESRI, США) полученный растр совмещается с картой-основой, добавляются обозначения крупных населённых пунктов, легенда, рамка и другие элементы карты. Пример итоговой карты представлен на рис. 5.
Рис. 5. Пример карты оценки состояния посевов зерновых культур, Новосибирская область, 12.07.2012 г.
Карта демонстрирует результаты оценки состояния посевов зерновых культур Новосибирской области на 12 июля 2012 года, представлено процентное соотношение каждой градации оценки: хорошее состояние 40%, удовлетворительное 51%, плохое состояние посевов 9%. Аналогичные карты формируются для Алтайского края, Кемеровской и Омской областей на все даты спутниковых съемок по не экранированным облачностью снимкам.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Сладких Л. А., Кулик Е. Н., Сахарова Е. Ю. Мониторинг посевов зерновых культур юга Западной Сибири по данным спутниковых наблюдений // Региональные проблемы дистанционного зондирования Земли: материалы международной науч. конф. / науч. ред. Е. А. Ваганов; отв. за вып. А. В. Машукова - Красноярск: Сиб. федерал. ун-т, 2014. - С. 329-333.
2. Кулик Е. Н. Оперативный космический мониторинг: вчера, сегодня, завтра // Интерэкспо ГЕ0-Сибирь-2012. VIII Междунар. науч. конгр. : Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды,
геоэкология» : сб. материалов в 2 т. (Новосибирск, 10-20 апреля 2012 г.). - Новосибирск: СГГА, 2012. Т. 2. - С. 134-139.
3. Сахарова Е. Ю., Сладких Л. А., Захватов М. Г. Спутниковый мониторинг состояния посевов и прогнозирование урожайности зерновых культур на юге Западной Сибири // Интерэкспо ГЕ0-Сибирь-2014. Х Междунар. науч. конгр. : Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология» : сб. материалов в 2 т. (Новосибирск, 8-18 апреля 2014 г.). - Новосибирск: СГГА, 2014. Т. 1. - С. 67-72.
4. Антонов В. Н., Затягалова В. В., Захватов М. Г., Пяткин Ф. В. Геопортал как точка входа в инфраструктуру пространственных данных Сибири // Интерэкспо ГЕ0-Сибирь-2014. Х Междунар. науч. конгр. : Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология» : сб. материалов в 2 т. (Новосибирск, 8-18 апреля 2014 г.). - Новосибирск: СГГА, 2014. Т. 1. - С. 86-89.
5. Якутин М. В., Андриевский В. С. Почвенно-биологические методы в мониторинге агроэкосистем в лесостепной зоне Новосибирской области // Интерэкспо ГЕО-Сибирь-2014. Х Междунар. науч. конгр. : Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология» : сб. материалов в 2 т. (Новосибирск, 8-18 апреля 2014 г.). - Новосибирск: СГГА, 2014. Т. 1. - С. 48-53.
6. Антонов В. Н., Захватов М. Г., Пяткин Ф. В. Геопортал: информационное обеспечение прикладных дистанционных исследований // Интерэкспо ГЕ0-Сибирь-2013. IX Междунар. науч. конгр. : Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология» : сб. материалов в 2 т. (Новосибирск, 15-26 апреля 2013 г.). - Новосибирск: СГГА, 2013. Т. 1. - С. 182-187.
7. Трубина Л. К., Муллаярова П. И., Баранова Е. И., Николаева О. Н. Некоторые подходы к геоинформационному картографированию зеленых насаждений // Интерэкспо ГЕО-Сибирь-2014. X Междунар. науч. конгр. : Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология» : сб. материалов в 2 т. (Новосибирск, 8-18 апреля 2014 г.). - Новосибирск: СГГА, 2014. Т. 2. -С. 68-74.
8. Ларионов Ю. С. Биоземледелие как новая парадигма экологически безопасного сельскохозяйственного производства // Интерэкспо ГЕ0-Сибирь-2014. X Междунар. науч. конгр. : Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология» : сб. материалов в 2 т. (Новосибирск, 8-18 апреля 2014 г.). - Новосибирск: СГГА, 2014. Т. 2. - С. 151-157.
9. Гиниятов И. А., Ильиных А. Л. Геоинформационное обеспечение мониторинга земель сельскохозяйственного назначения // Вестник СГГА. - 2011. - Вып. 1 (14). - С 37-44.
10. Ларионов Ю. С. Альтернативные подходы к современному земледелию и наращиванию плодородия почв (новая парадигма) // Вестник СГГА. - 2013. - Вып. 1 (21). - С 49-61.
© Е. И. Сапрыкин, Л. А. Сладких, Е. Н. Кулик, 2015
