Россия
Россия
Россия
УДК 528.87 Дешифрирование. Визуальные требования при дешифрировании снимков
Оценка неоднородности посевов с использованием данных ДЗЗ является актуальной задачей цифрового земледелия. Установлено, что временные ряды значений NDVI могут быть использованы для оценки неоднородности посевов сои, гречихи и прочих культур на уровне района. По степени засоренности полей Хабаровского района сорными культурами были сформированы три кластера. Проведена сравнительная оценка неоднородности развития посевов в рамках одного поля с использованием данных БПЛА и спутника Sentinel-2.
спутниковый мониторинг, БПЛА, дистанционное зондирование, неоднородность, пахотные земли
В настоящее время современные методы и технологии ДЗЗ составляют основу систем мониторинга сельскохозяйственных культур. При этом важнейшей задачей в рамках развития точного и цифрового земледелия является оценка неоднородности развития посевов [1]. Пространственная неоднородность, обусловленная разными факторами – генетическими особенностями сорта, вида; параметрами плодородия почвы; распределение влаги и солнечной радиации и др. – может рассматриваться как в пределах одного поля, так и более широко, на районном и региональном уровне [2]. В российской науке исследования в области изучения физиологического состояния посевов в зависимости от значений оптических индексов вегетации проводились в Агрофизическом научно-исследовательском институте [3,4]. Определение свойств почв и оценки ресурсного потенциала земель проводилось в Почвенном институте им. В.В. Докучаева [5]. Было установлено, что непосредственное влияние на спектральную отражательную способность почв оказывают такие свойства, как содержание органического вещества, влажность, гранулометрический состав и т.д., что непосредственно оказывает влияние на состояние посевов, и в, конечном счете, на урожайность [6]. Вопросам оценки неоднородности и засоренности полей с использованием оптических наземных и спутниковых спектральных данных спутников серии Dove (PlanetScope) с пространственным разрешением 3 м посвящены работы, выполненные в ФИЦ КНЦ СО РАН [7]. Вместе с тем, чаще всего для оценки неоднородности посевов используются значения оптических индексов вегетации, полученные при помощи БПЛА [8,9].
Изучение изменчивости и неоднородности состояния посевов с помощью данных ДЗЗ на Дальнем Востоке как комплексная задача ранее не рассматривалась, хотя географические и климатические особенности региона, невысокий уровень цифровизации сельского хозяйства делают эту задачу весьма актуальной. Таким образом, в качестве основной цели работы рассматривалась оценка возможности применения данных спутникового мониторинга для изучения неоднородности посевов сельхозкультур как на уровне района, так и в пределах одного поля. Для достижения поставленной цели были получены мультиспектральные снимки Sentinel-2 с разрешением 10 м для Хабаровского района Хабаровского края в вегетационные периоды с 2021 по 2023 гг. Для каждого пикселя рассчитывались значения временных рядов NDVI, затем для отдельных полей с севооборотом сои, кукурузы, многолетних трав, овса, ячменя и других культур, а также залежных земель определялись средние значения NDVI и строились соответствующие ряды. Всего были обработаны данные по 182, 526, 618 полям Хабаровского района соответственно в 2021, 2022, 2023 гг.
Были построены графики сезонного хода NDVI, характерные для каждой культуры, определены показатели – день наступления максимума, величина максимума, и их вариабельность. Анализ отклонений значений ряда NDVI отдельного поля от среднего для рассматриваемого года по этой культуре использовался для оценки неоднородности развития посевов Хабаровского района. В качестве примера на рисунке 1 представлены графики сезонного хода NDVI для полей с соей в Хабаровском районе в 2022 г.
Рис. 1. Сезонный ход NDVI на полях с соей в Хабаровском районе (2022, Sentinel-2): 1-среднестатистическое поле, 2-поле с высокой степенью засоренности, 3-поле с низкой степенью засоренности.
Кривая сезонного хода NDVI для поля с высокой степенью засоренности сорняками имеет растянутый во времени максимум – с последней декады июля до 1-й декады сентября, что характерно для залежи. В качестве меры близости или различия между двумя кривыми использовалось евклидово расстояние (в приведенном примере d1-2=0,17, d2-3=0,11), эта же мера использовалась в качестве параметра при проведении кластерного анализа (рис. 2).
Рис. 2. Результаты кластерного анализа: 1-среднестатистическое поле, 2-средние значения NDVI в кластере «засоренные поля», 3-средние значения NDVI в кластере «слабо засоренные или незасоренные поля».
Аналогичным образом изучалась неоднородность полей Хабаровского района, занятых другими культурами, в 2021-2023 гг.
Для двух опытных полей с соей в 2023 г проводилась съемка с использованием БПЛА DJI Mavic3, также проводился трехкратный отбор почвенных образцов (май, июль, октябрь 2023 г.). На рисунке 3 представлены вариограммы NDVI для одного из полей (изображения со спутника и БПЛА получены в августе 2023 г).
Было установлено, что предельное расстояние при использовании спутниковых изображений составляло около 100 м, а аэрофотосъемки – около 5 м. Почвенные пробы на отдельных полях были отобраны на расстоянии, превышающем 100 м. Проведенный анализ почвенных образцов позволил выявить внутриполевые неоднородности полей с соей по агрохимическим характеристикам, микробиологическому составу и содержанию микроэлементов. Выявлены корреляционные связи между содержанием общего фосфора, подвижного фосфора, калия и значениями NDVI, полученными в результате обработки спутниковых и БПЛА изображений.
Рис. 3. Вариограммы NDVI поля с соей: a) Sentinel-2; b) DJI Mavic3.
Дальнейшее исследование показало, что оценка внутриполевых неоднородностей посевов может быть проведена с достаточной точностью с использованием данных Sentinel-2 разрешимостью 10 м, что позволяет избежать трудозатратных операций, связанных с проведением аэрофотосъемки и обработки изображений, полученных с БПЛА.
В целом, использование данных спутникового мониторинга, в том числе временных рядов значений NDVI, позволяет оценить неоднородности посевов на уровне района и региона, а также в пределах одного поля.
1. Якушев В.П., Блохин Ю.И., Блохина С.Ю. [и др.] Теоретические основы дистанционной и наземной количественной оценки внутриполевой изменчивости для точного земледелия. Санкт-Петербург: АФИ, 2023. 75 с. EDN: https://elibrary.ru/OQDKMP
2. Витковская С.Е. Факторы, определяющие неоднородность биомассы и элементного состава растений // Научное обеспечение развития АПК в условиях импортозамещения: сборник научных трудов. Санкт-Петербург – Пушкин: Санкт-Петербургский государственный аграрный университет, 2019. С. 18-21 EDN: https://elibrary.ru/ZLLSQS
3. Якушев B.П., Канаш Е.В., Якушев В.В. [и др.] Новые возможности автоматизации процесса обнаружения внутриполевой неоднородности по гиперспектральным снимкам и оптическим критериям // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. C. 24-32. DOI: https://doi.org/10.21046/2070-7401-2019-16-3-24-32; EDN: https://elibrary.ru/EABZPX
4. Якушев В.П., Канаш Е.В., Русаков Д.В. Корреляционные зависимости между вегетационными индексами, урожаем зерна и оптическими характеристиками листьев пшеницы при разном содержании в почве азота и густоте посева // Сельскохозяйственная биология. 2022. Т. 57. № 1. C. 98-112. DOI: https://doi.org/10.15389/agrobiology.2022.1.98rus; EDN: https://elibrary.ru/DESZTX
5. Прудникова Е.Ю., Савин И.Ю., Грубина П.Г. Спутниковая оценка агрономически важных свойств пахотных почв с учетом состояния их поверхности // Бюллетень Почвенного института имени В.В. Докучаева. 2023. Вып. 115. C. 129-159. DOI: https://doi.org/10.19047/0136-1694-2023-115-129-159; EDN: https://elibrary.ru/YFFXMU
6. Савин И.Ю., Столбовой В.С., Иванов А.Л. [и др.] Технологии составления и обновления почвенных карт. М.: Перо, 2019. 328 с. EDN: https://elibrary.ru/ZEHYBV
7. Письман Т.И., Ерунова М.Г., Ботвич И.Ю. [и др.] Информативность спектральных вегетационных индексов для оценки засоренности посевов сельскохозяйственных культур по наземным и спутниковым данным // Исследование Земли из космоса. 2021. № 3. С. 55-66. DOI: https://doi.org/10.31857/S0205961421030076; EDN: https://elibrary.ru/VAKKWD
8. Maes W.H., Steppe K. Perspectives for Remote Sensing with Unmanned Aerial Vehicles in Precision Agriculture // Trends Plant Sci. 2019. Vol. 24 (2). P. 152-164. DOI: https://doi.org/10.1016/j.tplants.2018.11.007; EDN: https://elibrary.ru/XIZLLI
9. Grüner E., Wachendorf M., Astor T., Müllerová J. The potential of UAV-borne spectral and textural information for predicting aboveground biomass and N fixation in legume-grass mixtures // PLoS One. 2020. Vol. 15 (6). P. 0234703.
