Космический мониторинг сельскохозяйственных угодий

Введение

Сельскохозяйственное изучение территории – одно из эффективных направлений использования космической информации. Круг вопросов, решение которых возможно по космическим снимкам, включает как задачи оперативного получения информации о составе и состоянии сельскохозяйственных культур, потенциальной урожайности, болезнях и повреждениях посевов вредителями и т. д., так и задачи инвентаризации земельных ресурсов, оценки биомассы, изучения динамики сельскохозяйственного использования земель. [5].

Достоинство дистанционных материалов – однородность и сравнимость на обширные территории, большая обзорность, современность и перманентность – являются решающими для вышеназванных задач.

В реферате была предпринята попытка широко осветить тему, показав как принципы, заложенные в системы комического мониторинга сельскохозяйственных культур так и их конкретные реализации.

Сельскохозяйственные задачи, решаемые с помощью данных дистанционного зондирования

Системы космического мониторинга сельскохозяйственных угодий в большинстве случаев основаны на вегетационном индексе растительности, который позволяет отслеживать динамику развития сельскохозяйственных культур [13].

Отклонение вегетационного индекса от нормы сообщает о диспропорциях в развитии сельскохозяйственных культур, что свидетельствует о необходимости дополнительных сельскохозяйственных работ на этих участках. Это могут быть проблемы с поливом, большое количество сорняков, повреждение растений вредителями и др.

Пользователями технологий космического мониторинга сельскохозяйственных угодий являются [13]

·         агрономы и сельское хозяйство (контроль с/х посевов, прогнозирование урожайности, оптимизация управленческих решений);

·         владельцы бизнеса (оценка бизнес-перспектив, принятие разумных решений по капитальным вложениям и другим управленческим решениям);

·         инвесторы и инвестиционные аналитики (оценка инвестиционного потенциала, помощь в принятия инвестиционных решений, обеспечение надежности прогнозов);

·         страховые брокеры (проверка обращений клиентов, установление шкалы ставок и страховых премий, определение суммы выплат);

·         сельскохозяйственные производители техники (интеграция решений в системы сельскохозяйственной техники);

·         государственные и отраслевые организации, занимающиеся сельским хозяйством, продовольственной безопасностью и экологическими проблемами.

Кроме того данные космической съемки применяются для прогноза точной погоды на поле, что позволяет спланировать сельскохозяйственные работы [16]. Данные в микроволновом диапазоне позволяют оценивать температуру почвы, влажность с низким пространственным разрешением (километры). Также вегетационный индекс может служить в качестве раннего индикатора урожайности (рис. 1), что поможет фермерам принять правильные маркетинговые решения.

Рис. 1. Сравнение хода вегетационного индекса в 2013 и 2012 г. [17]

Использование вегетационных индексов

Для характеристики растительного покрова используют различные вегетационные индексы (VI, NDVI, EVI), которые получают на основе анализа спектральной яркости в красной и ближней инфракрасной зонах [6].

Основное предположение по использованию вегетационных индексов состоит в том, что некоторые математические операции с разными  каналами ДЗЗ могут дать полезную информацию о растительности. Это подтверждается множеством эмпирических данных. Второе предположение - это идея, что открытая почва на снимке будет формировать в спектральном пространстве прямую линию (почвенная линия). Почти все распространенные вегетационные индексы используют только соотношение красного – ближнего инфракрасного каналов, предполагая, что в ближней инфракрасной области лежит линия открытой почвы. Подразумевается, что эта линия означает нулевое количество растительности.

Первым индексом растительности (1972 г.) на основе отражения был индекс коэффициентов отражения (RatioVI, RVI), который рассчитываеся как [6]

В 1974 г. этот индекс был улучшен и назван как разностный нормализованный вегетационный индекс растительности (NDVI).

Индекс может принимать значения от -1 до 1. На рис. 2 приведены карты NDVIс различной детальностью.

Рис. 2. Продукты iSAT0.8 м и iSAT 30 м. Первый хорошо подходит для оценки микровариаций в состоянии сельскохозяйственных культур, второй подходит для более мелкомасштабного зонирования [18]

Поскольку индексы RVIи NDVI не избавлены от влияния отражения света от почвы, в 1977 г. был предложен индекс растительности, основанный на понятии линии почвы, названный перпендикулярным индексом растительности (Perpendicular Vegetation Index –PVI), который определяется как ортогональное (перпендикулярное) расстояние между точкой, представляющей растительность на поле и линией почвы.

Индекс PVI имеет следующий диапазон значений:

Почва PVI=0

Вода PVI<0

Растительность PVI>0

Почвенный вегетационный индекс (Soil Adjusted VI, SAVI)

L=0 для наибольшего индекса облиствения

L=1 для наименьшего, оптимальное значение L=0,5

Вегетационный индекс устойчивый к влиянию атмосферы (AtmosphericallyResistant VI, ARVI)

Как правило, a=1. При малом покрытии растительности и неизвестном типе атмосферы a=0,5.

Для определенных индексов существуют свои пороги чувствительности к разреженности растительности

RVI, NDVI= 30%

SAVI, PVI= 15%

Специально для MODIS на основе NDVI разработан индекс нового поколения EVI (Enhanced Vegetation Index –улучшенный вегетационный индекс): [14]

где nir, red, blue –скорректированные за атмосферу (по данным съёмки MODIS) значения отражательной способности в ближней инфракрасной, красной и голубой зоне (0.841-0.876, 0.620- 0.670 0.459 - 0.479 мкм); L – поправочный коэффициент, учитывающий влияние почвы; С1, С2 –коэффициенты, контролирующие вклад голубой зоны в коррекцию красной за рассеяние атмосферными аэрозолями. Новый индекс позволяет выделить больше градаций в районах с высокой зелёной биомассой и имеет преимущества для мониторинга растительности, поскольку влияние почвы и атмосферы в значениях EVI минимизировано.

В статье [12] выполнено исследование с целью определить, какие спектральные каналы наиболее подходят для характеристики отдельных биофизических параметров сельскохозяйственных посевов. Были проведены спектральные измерения отражательной способности хлопка, картофеля, сои, кукурузы и подсолнечника. Рассматриваемые характеристики включали биомассу, листовой индекс, высоту растения.

Установлено, что наиболее сильная взаимосвязь с характеристиками посевов наблюдалась в узких диапазонах красного (650-700 нм), зеленого (500-550 нм) и ближнего инфракрасного (900-940 нм). Центр чувствительности к влажности расположен в 982 нм.

Прогноз урожайности

Прогнозная оценка урожайности текущего сезона строится на основе сравнения с релевантными параметрами прошлых лет (NDVI, температура, осадки, солнечная радиация) и исторических данных по урожайности, полученных из статистических источников. [8]

В статье [9] освещен прогноз урожая риса с использованием радиолокационной информации.

Точная и своевременная информация о росте риса и прогнозе его урожайности помогает правительствам и другие заинтересованным сторонам проводить экономическую политику, предвидеть и координировать усилия по оказанию помощи в случае природной катастрофы, и обеспечивает основу для страхового решение оценки рисков потери урожая из риса. Это стало возможным благодаря использованию радиолокатора с синтезированной апертурой в сочетании с технологиями моделирования урожая.

Технология прогноза урожая риса включает два ключевых модуля: MAPscale-Rice и ORYZA2000. Первый позволяет преобразовать спутниковые радиолокационные данные в такие продукты как площадь под рисом, начало сезона, фенологическая фаза, листовой индекс LAI. Второй модуль позволяет по этим данным получать непосредственно оценку урожая.

Индекс листовой поверхности (leaf area index, LAI) определяется как общее покрытие земельного участка одной стороной поверхности листьев. LAI сильно связан с такими процессами как суммарное испарение, затенение  почвы, фотосинтез, опад листьев и др. Полученное с помощью ДДЗ значение LAI позволяет моделировать эти процессы. LAI очень важен для оценки урожайности. Для зерновых приводится следующее соотношение

Урожай (кг/га)=1571,2*ln(LAI)+2033,6  [7]

Рис. 3. Схема обработки данных для оценки урожая

В среднем достигнутая точность прогнозных данных по сравнению с фактическими составила 85% или 702 кг/га.

Применение моделей биологической продуктивности растений в сочетании с космическими радиолокационными снимками среднего пространственного разрешения позволяет достоверно оценивать валовые сборы основных зерновых культур на региональном уровне в Западной Сибири [2].

Определение состава сельскохозяйственных культур

Дешифрирования сельскохозяйственных угодий имеет свои особенности. Одним из основных свойств сельскохозяйственных объектов является их быстрая сезонная физиономическая изменчивость. Каждое растение в течение вегетационного периода проходит несколько фаз развития. Фенологическое развитие сельскохозяйственных культур приводит к существенным изменениям их отражательной способности. Ход её изменения у разных растений различен и является надежным дешифровочным признаком. Поэтому применение снимков, полученных в разные сроки, позволяет разделить культуры, физиономически сходные на одинаковой стадии развития (и поэтому не разделяющиеся на одном снимке), но имеющие разные сроки прохождения фаз развития.

Для разделения культур на группы, играющие различную роль в севооборотах (непропашные колосовые, пропашные, многолетние травы и т. д.) необходимо проведение съемки несколько раз в период вегетации: весной, летом, осенью. Ранние осенние снимки позволяют убранные озимые и яровые зерновые колосовые отделить от пропашных, находящихся ещё в различных фазах вегетации. Сочетание весенних и осенних снимков дает возможность определить долю чистых паров, ранневесенние снимки – разделить озимые и яровые культуры. Чистые пары на летних снимках любого срока изображаются как голая почва. [5].

Занятые пары на весенних и раннелетних снимках изображаются также, как и поля под сельскохозяйственными культурами, а за месяц до посева озимых культур их распахивают и они изображаются на позднелетних снимках как обнаженная почва. На осенних снимках на них видны восходы озимых культур. Поля под зяблевой вспашкой на позднелетних и осенних снимках изображаются как голая почва.

Чтобы определить состав сельскохозяйственных культур обычно проводят классификацию [10]. Она может быть контролируемой, то есть с обучающей выборкой или неконтролируемой без неё. Методы классификации зависят от данных. Разработаны специальные методы для упрощения многозональных снимков, классификации гиперспектральных снимков, полнополяризационных радиолокационных данных. Используют даже марковские модели.

Использование радиолокационных данных

Преимущества съёмки в радиодиапазоне заключаются в возможности проводить исследования в условиях облачности, независимо от условий освещенности. Радиолокационные данные хорошо использовать для оценки состояния посевов и влажности почв.

В статье [8] показано использование данных SIR-Cи AIRSAR для оценки возможности радиолокационного зондирования для выделения различных видов растительности и оценки биомассы. Результаты показали, что комбинация Lи P диапазонов позволяет отличать сельскохозяйственные поля от других видов земель, а комбинация Lи C позволяет производить классификацию внутри сельскохозяйственных участков.

При оценке биомассы диапазон Pдает лучший результат для лесов и кустарников, L–для сельскохозяйственных культур с низкой плотностью, Lи C –для сельскохозяйственных культур с высокой плотностью.

В другой статье [11] приводится исследование корреляции данных в видимом, ближнем инфракрасном и микроволновом диапазоне с различными характеристиками сельскохозяйственных культур. Проводились полевые работы по определению влажности почвы, общего объема биомассы и высоты растений. Результаты показали, что использование радиолокационных данных в диапазонах C, L, Pвместе с оптическими улучшает классификацию по сравнению с использованием данных только в оптическом диапазоне.  Оказалось, что радиолокационное зондирование позволяет лучше определять различие в высоте растений, чем биомассу. K диапазон и Cдиапазон чувствительны к вариациям высот небольших растений, в то время как Pдиапазон позволяет различать высокие и низкие растения.

Статья [2] посвящена дешифрированию типов сельскохозяйственных культур на юге Западной Сибири. Цветовой RGB синтез из снимков, выполненных в июне, июле и августе на одну и ту же территорию позволяет визуально разделять следующие культуры: подсолнечник, пшеница, кукуруза, просо. Не разделяются пшеница и овес, что связано с совпадением фенофаз развития культур. При включении в цветовой синтез снимков за май и сентябрь достоверно выделяются паровые поля, стерняи естественная нераспаханная степь, используемая под пастбище.

В статье [3] также приводится опыт дешифрирования сельскохозяйственнух культур по радиолокационным снимкам. В конце июня хорошо разделяются яровые культуры от озимых, а также озимая рожь от озимой пшеницы, кроме того, выделяются необрабатываемые земли и чистый пар;

Обзор сервисов космического мониторинга – Cropio, Вега

На основе интернет-источника [15] был составлена таблица, где сравниваются популярные системы спутникового мониторинга с/х угодий. На рис. 4. приведен интерфейс одного из сервисов.

	Cropio	Farmsat	Eleaf	iSAT
Обновление данных	Ежедневно	Зависит от приобретенных снимков	Зависит от приобретенных снимков	Зависит от приобретенных снимков
Разрешение	15 м×15 м в стандартном пакете	Зависит от приобретенных снимков	Зависит от приобретенных снимков	Зависит от приобретенных снимков
Зонирование поля	+	+	+	+
NDVI индекс	+	+	+	+
N-дефицит	+	-	Картофель и свекла	+
Прогноз погоды	+	+	+	+
Осадки	+	+	+	+
Влажность почвы	+	-	-	-
Биомасса	-	-	Картофель и свекла	-
Инструменты описания поля	+	+	+	+
Помощник прогноза урожайности	+	-	Картофель и свекла	-
Планирование урожая	+	-	-	-
Автоматические отчеты и оповещения	+	-	-	-
Оценка урожая	+	-	-	-
Зонирование полей для оптимальных проб почвы	+	За отдельную плату	-	+
Новости и информация рынка	+	В дополнительных продуктах	-	-

Рис. 4. Интерфейс системы FarmSat

Сервис Вега Про

Сервис [7, 8] разработан и предоставляется Институтом Космических Исследований Российской Академии Наук.

Пользователю предоставляется доступ к WEB-интерфейсу, который позволяет выбрать информацию по интересующему его полю, административному району или региону в целом.

Для выбранных полей пользователь может получить следующую информацию:

§  Временной ход вегетационного индекса NDVI (показатель состояния посевов) в пределах выбранных объектов в течение вегетационного периода за 2000 – 2010 года и за текущий год. (Данные обновляются не реже 1 раза в неделю).

§  Информацию о типе возделываемой культуры (озимые/яровые в текущем сезоне и 9 предыдущих сезонах).

§  Временной ход средней температуры (ежедневные данные) и накопленной температуры за любой период с 2000 г. по текущее время.

§  Временной ход осадков (ежедневные данные) и суммы осадков за любой период с 2000 г. по текущее время.

§  Временной ход солнечной радиации (ежедневные данные) и накопленной радиации за любой период с 2000 г. по текущее время.

§  Информацию для оценки наличия снежного покрова за любой период с 2000 г. по текущее время (изображения района расположения объекта).

Пользователь может также получить перечисленные виды информации осредненные по региону в целом или по административным районам, или же по хозяйству. Можно также получить информацию осредненную по пахотным землям, землям занятым озимыми и яровыми культурами, а также по землям, покрытым лесом.

Для региона, административных районов или хозяйства также предоставляется средние («нормальные») кривые поведения вегетационных индексов на пахотных землях, на землях занятых яровыми и озимыми культурами.

Для административных районов, хозяйства и региона возможно получение прогнозной оценки урожайности текущего сезона на основе сравнения с релевантными параметрами прошлых лет (NDVI, температура, осадки, солнечная радиация) и исторических данных по урожайности, полученных из Роскомстата или из других источников по выбору пользователя.

Для работы с вышеперечисленной информацией организованы специализированные web-интерфейсы (рис. 5). Информация также может быть сохранена в табличном виде для экспорта в ИС пользователя в согласованных форматах.

Специализированные Web-интерфейсы позволяют:

§  Проводить сравнение различных перечисленных текущих параметров с данными предыдущих сезонов (на выбор пользователя) или со средними многолетними значениями.

§  Проводить сравнение состояния посевов в пространстве (например, на соседних полях, или на полях одного хозяйства, или на любых двух выбранных пользователем полях).

§  Анализировать информацию в графическом виде или в виде картограмм.

§  Оперативно получать «тревожные сигналы» с указанием территорий, на которых актуальное значение указанных выше параметров существенно отклоняется от среднегодовых (в том числе с учетом сдвига сезона вегетации)

В качестве дополнительных опций в сервис, по заказу пользователя, могут быть включены следующие возможности:

§  Получение кривых «нормального» развития основных культур в регионе, что позволит распознавать не только озимые и яровые группы культур, но и все основные культуры по отдельности.

§  Построение прогнозных оценок урожайности на уровне отдельных полей (при наличие у пользователей статистической информации о их урожайности за последние 10 лет).

§  Проведение оценки правильности декларирования засеянных культур и соблюдения севооборотов.

§  Оценка эффективной продуктивности отдельных полей.

§  Оценка степени неоднородности почвенного покрова полей и основных почвенных факторов, лимитирующих урожайность на конкретном поле.

§  Автоматический импорт различных данных предоставляемых системой в информационные системы пользователей в согласованном формате.

Сервис предоставляется по территории всех регионов РФ. По запросу сервис может осуществляться для территории Украины, Казахстана и Белоруссии.

Рис. 5. Интерфейс сервиса Вега Про

Государственная информационная система мониторинга земель сельскохозяйственного назначения Краснодарского края

Государственный мониторинг сельскохозяйственных земель осуществляется в целях предотвращения выбытия земель сельскохозяйственного назначения, сохранения и вовлечения их в сельскохозяйственное производство, разработки программ сохранения и восстановления плодородия почв, обеспечения государственных органов, включая органы исполнительной власти, осуществляющие государственный земельный контроль, юридических и физических лиц, а также сельскохозяйственных товаропроизводителей всех форм собственности достоверной информацией о состоянии и плодородии сельскохозяйственных земель и их фактическом использовании. [4]

В ходе создания системы мониторинга с/х земель Краснодарского края собрана информация о севообороте, структуре посевных площадей, плановой и фактической урожайности в разрезе каждого поля и хозяйствующего субъекта на 2010 г.

Урожайность в хозяйствах, которые используют систему, в среднем на 10-20% становится выше, по словам Игоря Козубенко, начальника управления информатизации и аналитических систем минсельхоза края.

При комплексном внедрении технологий точного земледелия затраты при внесении удобрений снижаются на 5%, средств защиты растений – на 10%, расход топлива – на 20%, а урожайность культур повышается на 5-8 ц/га.

Заключение

В реферате были рассмотрены наиболее существенные черты использования данных дистанционного зондирования для сельского хозяйства. Описаны задачи, которые можно с помощью них решить. Раскрыты основные принципы, заложенные в системы космического мониторинга сельскохозяйственных угодий. Описаны возможности, которые предоставляют радиолокационные данные. Дан сравнительный обзор современных систем сервисов космического мониторинга сельскохозяйственных угодий.

Рассматриваемое направление продолжает активно развиваться: выводятся новые спутники, совершенствуются методы обработки информации, происходит интеграция с сельскохозяйственной техникой и системами управления предприятий. Использование таких систем повышает эффективность предприятия, уменьшает затраты ресурсов и сохраняет окружающую среду.

Список источников

1. Аэрокосмические методы географических исследований. Учеб. для студ. высш. учеб. заведений/Ю. Ф. Книжников, В. И. Кравцова, О. В. Тутубалина. – М.: Издательский центр «Академия», 2004. – 336 с.

2. Брыксин В.М., Евтюшкин А.В., Кочергин Г.А., Рычкова Н.В. Мониторинг зерновых культур на юге Западной Сибири по данным MODIS и ERS-2. // Материалы Международной научной конференции «Зондирование земных покровов радарами и радиометрами с синтезированной апертурой». – г. Улан-Удэ – п. Энхалук., 24-29 июня 2013 г., с. 79-81.

3. Кантемиров Ю.И., Семёнов В.Н. Возможности спутникового радиолокационного мониторинга для решения задач сельского хозяйства // Геоматика. 2011, №2, с. 85-89.

4. Козубенко И. С., Болсуновский М. А. Государственная информационная система мониторинга земель сельскохозяйственного назначения Краснодарского края. // Геоматика. 2011, №2, с. 56-61

5. Лабутина И. А., Январева Л. Ф. Использование аэро- и космических снимков для изучения сельского хозяйства // Аэрокосмические методы в социально экономической географии. под ред. Книжникова. Изд-во МГУ, 1983 с.83-124

6. Рубцов С. А., Голованев И. Н., Каштанов А. Н. Аэрокосмические средства и технологии для точного земледелия./ Под ред акад. РАСХН А. Н. Каштанова. – М.:, 2008. – 330 с.

7. Толпин В.А., Балашов И.В., Лупян Е.А., Савин И.Ю. Спутниковый сервис "Вега" // Земля из космоса, 2011. Выпуск 9, Весна. С.32-37.

8. Толпин В.А., Лупян Е.А., Барталев С.А., Плотников Д.Е., Матвеев А.М. Возможности анализа состояния сельскохозяйственной растительности с использованием спутникового сервиса «ВЕГА»// Оптика атмосферы и океана, 2014. Т. 27. № 7 (306). С.581-586

7. Dadhawal V.K. Crop growth and productivity monitoring and simulation using remote sensing and GIS. Satellite Remote Sensing and GIS Applications in Agricultural Meteorology, pp. 263-289.

8. Ferrazzoli P, Paloscia S., Pampaloni P., Schiavon, G., Sigismondi, S. ; Solimini, D.The potential of multifrequency polarimetric SAR in assessing agricultural and arboreous biomass (1997) // IEEE  Transactions  on  Geoscience  and  Remote Sensing, Vol. 35, №1, pp. 5-17

9. Nelson A., Setiyono T. Remote Sensing based Crop Yield Monitoring and Forecasting. International Rice Research Institute, Fanceso Holez, Sarmap

http://www.fao.org/fileadmin/templates/rap/files/Project/Expert_Meeting__17Feb2014_/P2-4_Setiyono_2014_Remote-Sensing_based_Crop_Yield_Monitoring.pdf

10. Rajesh K Dhumal, YogeshD.Rajendra, K.V.Kale, S.C.Mehrotra. Classification of crops from remotely sensed images: an overview. / International Journal of Engineering Research and Applications (IJERA) Vol. 3, Issue 3, May-Jun 2013, pp.758-761

11. Rosenthal W.D., B.J. Blanchard, and A.J. Blanchard (1985) "Visible\Infrared\Microwave Agriculture Classification,  Biomass,  and  Plant  Height  Algorithms",  IEEE  Transactions  on  Geoscience  and Remote Sensing, Vol. GE-23, No. 2, pp. 84-90 

12. Prasad S. Thenkabail, Ronald B. Smith and Eddy De Pauw. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics. //. Remote sensing environmental, pp. 158-182. 1999

13. Википедия. Спутниковыймониторингпосевов.

https://ru.wikipedia.org/wiki/Спутниковый_мониторинг_посевов

14. Гиперспектральная система MODIS: обзор областей применения

http://www.geogr.msu.ru/science/aero/acenter/int_sem4/modis_appl.htm

15. Обзор систем спутникового мониторинга полей

http://ieassa.org/ru/обзор-систем-спутникового-мониторин/

16. Cropio. https://cropio.com/

17. Geosys. Growing agriculture.

http://www.geosys.com/

18. Precision agriculture. Satellite imagery

http://www.precisionagriculture.com.au/satellite-imagery.php