Технология мониторинга состояния посевов по данным дистанционного зондирования земли на юге западной сибири

      Комментарии к записи Технология мониторинга состояния посевов по данным дистанционного зондирования земли на юге западной сибири отключены

Технология мониторинга состояния посевов по данным дистанционного зондирования земли на юге западной сибири

Л.А. Сладких, М.Г. Захватов, Е.И. Сапрыкин, Е.Ю.Сахарова 

ВВЕДЕНИЕ

Интенсивное развитие данных дистанционного зондирования Почвы (ДЗЗ) в последние десятилетия открыло новые возможности своевременного мониторинга посевов сельскохозяйственных культур.  Определяющим показателем сельскохозяйственной ее состояния и культуры есть спектральная отражательная свойство, характеризующаяся широким диапазоном в отражении излучения различных длин волн. С развитием средств спутниковых измерений и расширением группировки спутников ДЗЗ произошло ответ самых разнообразных задач  в области сельского хозяйства а также: уточнение и построение схем внутрихозяйственного землеустройства, расчет рабочих и площадей полей участков, идентификация сельскохозяйственных неиспользуемых земель и культур, прогнозирование состояния урожайности и оценка посевов.

Принципиально важно подчернуть, что одной из главных изюминок спутникового мониторинга состояния посевов есть необходимость исполнения двух условий: высокое пространственное и временное разрешение измерений. Высокое пространственное разрешение снабжает наблюдение за маленькими участками поля с возможностью оценки состояния посевов. Временное разрешение снабжает развития динамики растений и мониторинг роста как в течение одного вегетационного периода, так и анализ и сравнение  данных NDVI вегетационных сезонов за громадный последовательность лет.

К главным преимуществам применения данных ДЗЗ относят: высокую достоверность информации; оптимальную периодичность получения информации; широкий охват исследуемой территории; получение данных в едином стандартизированном виде; возможность накопления статистических данных и предстоящим ретроспективным анализом для оценки состояния и прогноза урожайности посевов.

Созданная в ФГБУ «НИЦ «Планета» разработка мониторинга состояния посевов при помощи спутниковых наблюдений включает в себя два взаимосвязанных направления работы:  прогнозирование урожайности на отдельных полях, хозяйствах, административных районах, областях; оценку состояния посевов по трем градациям, принятым в агрометеорологии: хорошее состояние посевов, удовлетворительное и нехорошее.

ПРОГНОЗИРОВАНИЕ УРОЖАЙНОСТИ

Оценка чёрта растительности производится с расчетом вегетационных индексов. Вегетационный индекс — это показатель, рассчитываемый в следствии операций с разными спектральными диапазонами электромагнитного спектра. Отражение растительного покрова в красной и ближней инфракрасной областях электромагнитного спектра тесно связано с его состоянием и структурой.

Чтобы количественно оценить состояние растительности, активно используется нормализованный разностный вегетационный индекс NDVI (Normalized Difference Vegetation Index). Индекс учитывает красную территорию электромагнитного спектра вблизи 0,63 мкм и ближнюю инфракрасную территорию около 0,86 мкм.

где      NIR — отражение в зоне ближнего инфракрасного спектра;

RED — отражение в зоне красного спектра.

В красной области спектра представлен максимум поглощения солнечной радиации хлорофиллом, в инфракрасной области спектра — максимум отражения клеточными структурами страницы  [3].

Реализацией идеи создания разработки мониторинга состояния посевов послужили модификация модели EPIC в программный комплекс SDIM и создание метода оценки состояния посевов зерновых культур. Американская модель биопродуктивности EPIC, создана в Техасской сельскохозяйственной научно-исследовательской лаборатории (Temple, TX, Soil and Water Research Laboratory), создатель [Dr.Williams] [6]. Яркое применение модели EPIC было очень затруднено из-за отсутствия многих параметров, вводимых в модель.

Было решено модифицировать модель EPIC, в следствии чего был создан программный комплекс SDIM (Sistem of Databases and Imitating Modeling). Модификация модели EPIC в программный комплекс  SDIM совершена в Югорском НИИ IT. Создатель программного комплекса SDIM кандидат технических наук В.М. Брыксин.

Совершена настройка и корректировка программного комплекса SDIM на базе метеоданных и информации о фактической урожайности зерновых культур за 1985-2004г. Ввод метеоданных за громадный последовательность лет мотивируется необходимостью адаптации программы к климатическим условиям Западной Сибири. В программном комплексе  SDIM считается урожайность разных сельскохозяйственных культур (пшеница, овес, ячмень и др.).

В SDIM содержится полный функциональный комплект средств для ручной и автоматической обработки данных [2]. Индекс вегетации есть главным предиктором в расчете прогноза урожайности в программном комплексе SDIM, также вводятся наземные метеоданные по следующим параметрам:

  • большая температура окружающей среды;
  • минимальная температура окружающей среды;
  • суммарные суточные осадки;
  • относительная влажность воздуха;
  • средняя скорость ветра;
  • суммарная солнечная радиация.

По вышеперечисленным параметрам создана база метеоданных за 30-летний период по 64 метеостанциям Новосибирской области и Республики Алтай за период с 1985 г. по этот год. Расчет прогноза урожайности на отдельных полях в административных районах и хозяйстве осуществляется по вычисленным NDVI и метеоданным ближайшей метеостанции.

 Для определения связей между NDVI и фактическим состоянием сельскохозяйственных культур нужны измерения индекса вегетации на полях тестовых хозяйств, исходя из этого был выяснен список сельскохозяйственных фирм, на полях  которых каждый год проводились съемы NDVI яровых зерновых культур. Тестовые хозяйства были выбраны в соответствии с агроклиматическим районированием Новосибирской области и различным уровнем интенсивности земледелия — хороший уровень земледелия, средний (удовлетворительный) и низкий (нехороший).

Совершены изучения зависимости значений NDVI и биомассы яровой пшеницы на полях 15 тестовых хозяйств Новосибирской области. Результаты изучения продемонстрировали хорошую связь биомассы пшеницы с усредненными, в рамках поля, значениями NDVI. Анализ спутниковых данных и фактической урожайности на полях тестовых хозяйств продемонстрировал, что существует достаточно хорошая связь между значениями NDVI и урожайностью яровой пшеницы.

  Коэффициент корреляции значений индекса вегетации  на фактической урожайности и отдельных полях яровой пшеницы составил 0,83.

Наличие колок (участки кустарников и древесной растительности) на полях влечет за собой проблему «смешанных пикселей», каковые нужно исключать при расчете прогноза.  Также, на точность и качество прогнозов воздействуют еще два очень значительных фактора: во-первых, активность циклонических процессов в первой половине июля, следствием чего есть экранирование облачностью исследуемых территорий во время больших  NDVI, во-вторых, очень редкая сеть метеостанций, в административных районах площадью до 6 тыс. кв. км возможно  лишь одна метеостанция.

МЕТОД ОЦЕНКИ СОСТОЯНИЯ ПОСЕВОВ

Накопленная статистика измерений индекса вегетации в тестовых хозяйствах, создание базы метеоданных и фактической урожайности с 1985 г., архивная информация с КА Terra/Modis (разрешение 250 м) послужили базой создания метода оценки состояния посевов по трем градациям, принятым в агрометеорологии: хорошее состояние посевов, удовлетворительное и нехорошее на юге земледельческой территории Западной Сибири (Омская, Новосибирская, Кемеровская области и Алтайский край) [4].

Для метода оценки состояния посевов была совершена предварительная работа по  описи сельскохозяйственных земель, схемы внутрихозяйственного землеустройства тестовых хозяйств переведены в цифровую форму хранения (рис. 1). По данным с КА Landsat (пространственное разрешение 30 м) в ГИС-приложении ArcMap 10 выстроены векторные слои схем внутрихозяйственного землеустройства.

Рис. 1. Векторный слой схемы внутрихозяйственного землеустройства ФГУП «Кремлевское», Новосибирская область

При создании векторных слоев в полей забраны реперные точки, любая реперная точка имеет собственный порядковый номер. Векторные слои являются определенные группы однотипных объектов. Это слои с реперными точками, полями, колками, дорогами, населенными пунктами, озерами, реками и болотами. За период с 2001 по 2011 гг., была совершена работа по расчету индекса NDVI в заданных реперных точках.

Все реперные точки введены в базу данных и употребляются в будущем для съема значений индексов вегетации при расчете прогноза урожайности в программном комплексе SDIM и в методе оценки состояния посевов. Так,  создана неповторимая база данных, разрешающая обеспечить пространственно-временной мониторинг состояния посевов. База данных включает в себя:

  • геопривязанные реперные точки схем внутрихозяйственного землеустройства сельскохозяйственных фирм;
  • архив вычисленных NDVI с 2001 по 2015 гг. по данным с КА Terra/Modis, пространственное разрешение 250 м.

Потому, что на территории региона громадной процент земель не употребляется под сельскохозяйственные посевы, нужно было выделить пахотные почвы и неиспользуемые. Пахотные почвы, к примеру в Новосибирской области, составляют всего 13.5% от общей площади области.

Рис. 2. Маска неиспользуемых земель Новосибирской области и ее увеличенный фрагмент

По спектрально-динамическим показателям распознавания растительности совершена классификация земель в ГИС-приложеиис последующей ручной коррекцией [5]. Созданы маски неиспользуемых земель, для каждого исследуемого района была выстроена собственная маска неиспользуемых земель. На рисунке 2 маска неиспользуемых земель Новосибирской области и ее увеличенный фрагмент.

Для построения масок употреблялись спутниковые изображения большого и среднего разрешения с отечественных и зарубежных КА: Lаndsat-5, Landsat-7, Landsat-8, Spot-4, «Канопус-В», «Ресурс-П» №1 и «Ресурс-П» №2. Выделенный класс неиспользуемых земель на растровых данных преобразован в векторную форму и вносится в базу данных. С целью обнаружения трансформаций в объекте «пашня» (распашка новых земель, зарастания полей) и обеспечения самая достоверной работы метода оценки состояния посевов, иногда выполняется  обновление созданных масок неиспользуемых земель.

Для обнаружения неспециализированных тенденций трансформаций индекса вегетации совершены изучения динамики значений NDVI в тестовых хозяйствах, предварительно поделённых на три категории: с хорошим, удовлетворительным и нехорошим земледелием. Взятой выборки не хватает для определения правильных параметров отнесения NDVI к одной из трех категорий, но возможно отыскать неспециализированные тенденции трансформаций NDVI в течение вегетационного периода.

Анализ взятых результатов продемонстрировал, что чем выше уровень земледелия в хозяйстве, тем больше изменяются значения NDVI за вегетационный период (больше отличие между максимумом и минимумом). Это стало критерием, по которому возможно отнести хозяйство к одной из трех градаций на окончание вегетационного периода, оценивая уровень земледелия по фактической урожайности.

По этому критерию возможно классифицировать значительно больше хозяйств и выяснить критерии для своевременной классификации состояния посевов в течение всего вегетационного периода. По этому критерию протестированы  спутниковые эти с КА Terra за больший период с 2001 по 2011 гг.

Для карт  оценки состояния посевов употребляются:

  • тематические продукты MOD09GQ и MOD09GA либо MYD09GQ и MYD09GA КА серии EOS, которые содержат данные об отражающей свойстве поверхности Почвы, в нужных для расчета NDVI спектральных каналах, служебную данные об участках, закрытых облачностью либо аэрозолями;
  • схемы полей внутрихозяйственного землеустройства с реперными точками;
  • маски неиспользуемых земель.

На базе архива спутниковых данных MOD09 и информации о месте положения рабочих участков полей, составим множество съемов. Съем является единичное измеренное значение NDVI в реперной точке участка:

На базе трех множеств характерных значений строятся граничные значения NDVI, по которым возможно выяснить состояние посевов в любой сутки вегетационного периода, а не по окончании его окончания.

Потом, на базе спутниковых данных MOD09 строится изображение значений NDVI для всей гранулы, накладываются неиспользуемых земель и маски облачности (неиспользуемые земли и облачные территории не употребляются в построении карты). После этого, при помощи взятых ранее граничных значений  NDVI, все оставшиеся точки снимка окрашиваются соответствующим цветом (зеленым, в случае если значение в данной точке попало в промежуток соответствующий хорошему состоянию посевов, желтый — удовлетворительному, красный — нехорошему).

В условных обозначениях указывается  процентное соотношение каждой градации оценки состояния посевов. Добавляются векторные слои  водоёмов и рек, названия и административные границы районов некоторых населенных пунктов (рис. 3).

Рис.3 Карты оценки состояния посевов за 22.06 г. различных уровней детализации: регион, область, район, хозяйство

Метод оценки состояния посевов зерновых культур по спутниковым разрешённым позволяет реализовать пространственно-временной мониторинг состояния посевов, как на региональном уровне, так и на уровне отдельных полей. Накопленная информация оценки состояния посевов отражает развития и динамику роста сельскохозяйственных культур в течение всего периода вегетации.

ОЦЕНКА СОСТОЯНИЯ ПОСЕВОВ Согласно данным ДЗЗ И НАЗЕМНЫЕ МАРШРУТНЫЕ ОБСЛЕДОВАНИЯ

Метод оценки состояния посевов по спутниковым разрешённым позволяет проводить оценку на уровне региона, отдельного хозяйства и района, где оценивается состояние посевов на каждом отдельном поле. Карты оценки посевов создаются на каждую безоблачную дату съема.

Наземные агрометеорологические маршрутные обследования в Новосибирской области проводились в среднем на 150–200  полях в 24 (из 30) административных районах, оценка состояния посевов согласно данным ДЗЗ выстроена так, что на территории, соответствующей объекту «пашня», оценивается любой пиксель спутникового растра на пригодность к одной из трех градаций. Однако, процентное соотношение градаций оценки состояния посевов по Новосибирской области в 2012 г. наземных и спутниковых данных, фактически совпадают.

В 2013, 2014, 2015  гг.  оценка состояния посевов зерновых культур по наземным агрометеорологическим обследованиям полей в хозяйствах  и спутниковым данным пара отличаются, согласно данным ДЗЗ ниже процент хорошего состояния посевов. Фактическая урожайность зерновых (яровых: пшеница, овес, ячмень) в 2013, 2014 и 2015 гг. составила соответственно 16,  12 и 14 ц/га — это низкая урожайность кроме того для климатических  условий Сибири, т.е. оценка состояния посевов согласно данным направляться не противоречит статистической урожайности зерновых культур.

Конечными продуктами разработки мониторинга состояния посевов  являются прогноз урожайности на отдельных полях в хозяйствах, административных  районах, областях и карты — схемы оценки состояния посевов (регион, область, отдельные хозяйства и административные районы).

ВЫВОДЫ

Интеграция спутниковых измерений спектральных параметров сельскохозяйственных культур, метеорологических данных, космических изображений и статистической урожайности в единую ГИС совокупность разрешила создать разработку своевременного мониторинга состояния посевов на юге Западной Сибири. прогнозирования технологии урожайности и Использование мониторинга зерновых культур разрешает перейти от точечных по месту и времени агрометеорологических наземных обследований полей к площадному мониторингу с детализацией до отдельного поля в течение всего периода вегетации сельскохозяйственных культур.

Разработка мониторинга состояния посевов пользуется спросом агрометеорологическими работами ФГБУ Западно-Сибирского УГМС на территории Омской, Новосибирской, Кемеровской Алтайского края и областей, для областных и районных органов власти, начальников агрохолдингов, и  для страховых компаний, возмещающих ущерб сельхозпроизводителям.

 ПЕРЕЧЕНЬ ЛИТЕРАТУРЫ

  1. Барталев С.А., Лупян Е.А., Нейштадт И.А., Щербенко Е.В. Разработка способов мониторинга пахотных земель России согласно данным спутниковых наблюдений радиометром Modis. М. ИКИ РАН, 2007, 222 с.
  2. Брыксин В.М. Использование адаптированной модели биопродуктивности EPIC и космоснимков MODIS для прогнозирования урожайности зерновых культур на территории Западной Сибири. // Вестник НГУ. Серия: Информационные разработки, 2007. — т. 5, вып. 1, с. 20–26.
  3. Виноградов Б.В. Преобразованная Почва. М. Идея, 1981, 295 с.
  4. Клещенко А.Д., Вирченко О.В., Савицкая О.В. продуктивности посевов и Спутниковый мониторинг состояния зерновых культур // Труды ВНИИСХМ, 2013. Вып. 38. с. 54–70.
  5. Терехов А.Г., Витковская И.С., Батырбаева М.Ж., Спивак Л.Ф. Правила агроландшафтного районирования пахотных земель Северного Казахстана согласно данным LANDSAT и MODIS // Современные неприятности дистанционного зондирования Почвы из космоса, 2010. — т. 7. № 3. с. 292–304.
  6. Williams J.R. The Erosion-Productivity Impact Calculator (EPIC). Technical Reference. US Department of Agriculture. 1997.

ДЗЗ


Интересные записи на сайте:

Подобранные по важим запросам, статьи по теме: