Методы обработки данных спутниковых наблюдений для мониторинга пахотных земель

ИНСТИТУТ КОСМИЧЕСКИХ ИССЛЕДОВАНИЙ РАН

УДК 528.08

На правах рукописи

НЕЙШТАДТ ИГОРЬ АНАТОЛЬЕВИЧ

МЕТОДЫ ОБРАБОТКИ ДАННЫХ СПУТНИКОВЫХ НАБЛЮДЕНИЙ MODIS ДЛЯ МОНИТОРИНГА ПАХОТНЫХ ЗЕМЕЛЬ

25.00.34 – «Аэрокосмические исследования Земли, фотограмметрия»

Диссертация на соискание ученой степени кандидата технических наук

Научный руководитель – кандидат технических наук Барталев Сергей Александрович

Москва – 2007

ОГЛАВЛЕНИЕ Сокращения на русском языке

4

Сокращения на английском языке

5

Определения

8

Введение

9

Раздел 1. Анализ требований к функциональной структуре и характеристикам системы спутникового мониторинга пахотных зе17

мель России 1.1 Особенности сельскохозяйственного производства и основные задачи мониторинга пахотных земель

17

1.2 Возможности приборов дистанционного зондирования со спутников для решения задач мониторинга сельскохозяйственных земель

24

1.3 Обзор существующего опыта использования данных дистанционного зондирования со спутников для мониторинга сельскохозяйственных земель

38

1.4 Требования к функциональной структуре и характеристикам системы спутникового мониторинга сельскохозяйственных земель

44

Выводы к первому разделу

50

Раздел 2. Методы предварительной обработки данных MODIS для мониторинга сельскохозяйственных земель

51

2.1 Формирование базы данных спутниковых наблюдений для мониторинга сельскохозяйственных земель

51

2.2 Алгоритмы предварительной обработки данных MODIS

60

2.3 Анализ результатов использования алгоритмов предварительной обработки данных MODIS

73

Выводы к второму разделу

81

Раздел 3. Классификация некоторых типов сельскохозяйственных посевов по спутниковым данным MODIS

83

3.1 Предварительная классификация типов земного покрова в интере83

сах сельскохозяйственного мониторинга 2

3.2 Анализ характеристик объектов наблюдения при дистанционном зондировании сельскохозяйственных земель

89

3.3 Алгоритмы выявления по данным MODIS участков чистого пара, озимых культур и посевов подсолнечника

100

3.4 Оценка достоверности результатов классификации сельскохозяйственных посевов по данным MODIS

109

Выводы к третьему разделу

114

Раздел 4. Выявление и оценка площадей используемых пахотных земель России по спутниковым данным MODIS

115

4.1 Метод выявления используемых пахотных земель по временным 115

сериям данных MODIS 4.2 Анализ достоверности результатов выявления пахотных земель

125

России по данным MODIS 4.3 Сбор, хранение, распространение данных спутниковых наблюдений и программная реализация алгоритмов обработки данных MODIS

135

Выводы к четвертому разделу

139

Заключение

141

Библиографический список

143

Приложение А. Список опубликованных работ по теме диссертации

153

Приложение Б. Список докладов на конференциях по теме диссертации

156

Приложение В. Стандартные продукты спутниковых данных MODIS

159

3

Сокращения на русском языке ВИ

– Вегетационный индекс

ВП

– Вегетационный период

ГИС

– Географическая информационная система

ДЗ

– Дистанционное зондирование

ДДЗ

– Данные дистанционного зондирования

ДЗЗ

– Дистанционное зондирование Земли

ЕКА

– Европейское космическое агентство

ЕС

– Европейский Союз

ИК

– Инфракрасный

ИКИ РАН

– Институт

космических

исследований

Российской

академии наук ИПЗ

– Используемые пахотные земли

КСЯ

– Коэффициент спектральной яркости

К(Ф)Х

– Крестьянское (фермерское) хозяйство

ЛПХ

– Личное подсобное хозяйство

МСУ-Э

– Многоспектральное

сканирующее

устройство

(экспериментальное) МСХ

– Министерство сельского хозяйства

ООН

– Организация Объединенных Наций

ПО

– Программное обеспечение

ПСА

– Панхроматическая съемочная аппаратура

РДСА

– Съемочная аппаратура распределенного доступа

Росстат

– Федеральная служба государственной статистики

РФ

– Российская Федерация

с.-х.

– сельскохозяйственный

ФАО

– Организация

по

продовольствию

хозяйству при ООН 4

и

сельскому

Сокращения на английском языке

AVHRR

–

Advanced Very High Resolution Radiometer Усовершенствованный радиометр очень разрешения

высокого

DAAC

–

Distributed Active Archive Center Центр хранения и распространения данных

DCW

–

Digital Chart of the World Цифровая карта мира

DEM

–

Digital Elevation Model Цифровая модель рельефа

DG AIDCO

–

Directorate General Europe Aid Co-Operation Office Дирекция помощи (ЕС)

DLT

–

Digital Linear Tape Магнитная лента с цифровой записью

DMSP

–

Defense Meteorological Satellite Program Программа Министерства обороны США по запуску и поддержке метеорологических спутников

EC

–

European Commission Европейская комиссия

ENVISAT

–

Environmental Earth-Observing Satellite (ESA) Природоресурсный спутник (ЕКА)

EOS

–

Earth Observation System Система наблюдения Земли со спутников (НАСА)

EPIC

–

Erosion Productivity Impact Calculator Модель биопродуктивности растений

ERTS

–

Earth Resources Technology Satellite Спутник для исследования природных ресурсов

ESA

–

European Space Agency Европейское космическое агентство

ETM

–

EVI

–

FAS

–

Enhanced Thematic Mapper Усовершенствованный тематический картограф Enhanced vegetation index Улучшенный вегетационный индекс Foreign Agricultural Service Иностранная сельскохозяйственная служба Министерства сельского хозяйства США 5

FPAR

–

Fraction of the Photosynthetic Active Radiation Доля фотосинтетически активной радиации

GDAS

–

Global Data Assimilation System Глобальная система консолидации данных

GIEWS

–

GLAM

–

The UNFAO Global Information and Early Warning System Глобальная система информирования и раннего оповещения о недостатке продовольствия ФАО Global Agricultural Monitoring Проект глобального сельскохозяйственного мониторинга (США)

GLC2000

–

GMFS

–

JRC

–

Joint Research Center Объединенный научный центр Европейской комиссии

HDF

–

Hierarchical Data Format Иерархический формат данных

LAI

–

Leaf area index Индекс (площадь) листовой поверхности

Landsat

–

Land Remote-Sensing Satellite Cпутник дистанционного зондирования Земли

MARS

–

Monitoring Agriculture through Remote Sensing Techniques Проект мониторинга сельского хозяйства с использованием технологий дистанционного зондирования (ЕС)

MERIS

–

Medium Resolution Imaging Spectrometer Спектрорадиометр среднего разрешения

MODIS

–

Moderate Resolution Imaging Spectroradiometer Спектрорадиометр среднего разрешения

MSS

–

Multi-Spectral Scanner Многоспектральный сканер

NASA

–

National Aeronautic and Space Agency Национальное агентство по космосу и аэронавтике (США)

NIERSC

–

Nansen International Environmental and Remote Sensing Centre Международный центр по окружающей среде и дистанционному зондированию им. Ф.Нансена 6

Global Land Cover 2000 Карта наземных экосистем Global Monitoring for Food Security Проект глобального мониторинга для продовольственной безопасности (ЕКА)

обеспечения

NDVI

–

Normalized Difference Vegetation Index Нормализованный разностный вегетационный индекс

NOAA

–

National Oceanic and Atmospheric Administration Национальная администрация по океану и атмосфере (США)

NPOESS

–

National Polar-Orbiting Operational Environmental Satellite System Национальная система ресурсных полярноорбитальных спутников (США)

PECAD

–

The USDA Production Estimates and Crop Assessment Division Отдел министерства сельского хозяйства США по оценке производства сельскохозяйственной продукции

PVI

–

Perpendicular Vegetation Index Перпендикулярный вегетационный индекс

TM

–

Thematic Mapper Тематический картограф

UNFAO

–

The Food and Agriculture Organization of the United Nations Организация по продовольствию и сельскому хозяйству при ООН

USAID

–

United States Agency for International Development Агентство международного развития правительства США

USGS

–

United States Geological Survey Геологическая служба США

7

Определения

Композитное изображение – Растровое изображение, каждому пикселу которого присвоено значение физической величины, полученное после предварительной обработки набора данных спутниковых наблюдений за фиксированный период времени. Маска – Полученное в результате обработки данных спутниковых наблюдений растровое изображение, каждому пикселу которого присвоен соответствующий определенному тематическому классу цифровой код. Пар – Поле севооборота, не занимаемое посевами в течение всего (или части) вегетационного периода и содержащееся в рыхлом и чистом от сорняков состоянии. Пашня – Вид земельных угодий, систематически обрабатываемых и используемых для возделывания с.-х. культур. Поле (сельскохозяйственное) – В системе севооборота – пашня под посев или засеянный с.-х. культурами участок земли.

8

Введение Исследование возможностей дистанционного мониторинга окружающей среды со спутников активно ведется на протяжении последних десятков лет научными группами и организациями различных стран. Развитие приборов дистанционного зондирования (ДЗ) привело к расширению возможностей по оперативному

глобальному

наблюдению

окружающей

среды.

Данные

дистанционного зондирования (ДДЗ) используются для обнаружения и оценки последствий пожаров, контроля лесных вырубок, мониторинга изменений границ природных экосистем, контроля землепользования и целого ряда других приложений. Важным направлением исследований является разработка систем мониторинга сельскохозяйственных (с.-х.) земель. В России по причинам экономического характера последние 20-30 лет происходят значительные изменения в землепользовании. Значительные площади, ранее используемые для сельскохозяйственного производства, выводятся из оборота, изменяется структура использования пахотных земель. Существует потребность в объективной информации о происходящих изменениях в использовании земель с.-х. назначения. В настоящее время наблюдение

за

государственной

использованием статистики

земель

(Росстат),

ведется

Федеральной

главным

образом,

службой методом

статистического наблюдения. Однако информация собирается только в обобщенном виде и не проводится достаточный контроль её достоверности. Таким образом, существующая система сбора информации об использовании с.-х. земель не может быть признана полностью отвечающей современным требованиям. В то же время наблюдение за динамикой использования с.-х. земель является необходимым элементом системы регулирования агропромышленного комплекса. Для реализации задачи мониторинга с.-х. земель Главный вычислительный центр Министерства сельского хозяйства России (ГВЦ МСХ РФ) и Институт космических исследований Российской академии наук (ИКИ 9

РАН) ведут совместную разработку системы спутникового мониторинга с.-х. земель России, призванную обеспечить получение объективной информации об их использовании. Важным элементом разрабатываемой системы является получение информации о наличии и использовании пахотных земель. Такая информация должна включать в себя данные о пространственном размещении используемых пахотных земель (ИПЗ) и посевов с.-х. культур, а также данные оперативного мониторинга состояния посевов. Таким образом, система направлена на обеспечение заинтересованных пользователей информацией о площадях пахотных земель и посевов различных типов, их продуктивности, оперативной информацией о состоянии посевов. Особый интерес для получения оценок использования с.-х. земель представляет применение ДДЗ. В условиях необходимости обеспечения регулярного мониторинга данные спутниковой съемки являются практически безальтернативным источником данных. Важным преимуществом спутниковой съемки также является оперативность, объективность и независимость получаемой информации. К числу факторов, сдерживавших до недавнего времени развитие практических систем мониторинга, можно отнести ограниченную доступность

данных

современных

необходимых

программно-технических

спутниковых средств,

систем,

недостаточное

отсутствие развитие

методов тематической обработки спутниковых изображений. Появившиеся в последние годы спутниковые системы делают ДДЗ качественно более доступными для пользователей, однако эффективное использование ДДЗ невозможно без соответствующих алгоритмов предварительной и тематической обработки. Разработка методов обработки ДДЗ для мониторинга с.-х. земель позволит существенно повысить точность и объективность информации об их использовании. Это также является важным шагом к созданию обзорных карт землепользования по ДДЗ. С учетом имеющегося мирового опыта, уровня развития современных систем спутникового мониторинга и вычислительной техники,

представляется

перспективной 10

разработка

автоматизированных

технологий обработки и анализа данных спутниковых наблюдений. Такие технологии являются важным шагом на пути создания системы мониторинга с.-х. земель России. Необходимость широкого охвата территории при мониторинге с.-х. земель, и, как следствие, обработка большого массива ДДЗ, требуют минимизации участия экспертов в процессе тематической интерпретации данных.

На

разработку

автоматизированных

именно

алгоритмов

таких,

обработки

в

максимальной

ДДЗ,

и

были

степени

направлены

исследования в рамках представленной диссертационной работы. Состояние и динамика использования пахотных земель являются важным вопросом современной экологии. Изменения в использовании пахотных земель ведут к изменениям микроклимата, ландшафта, влияют на объемы эмиссии углекислого газа. Забрасывание пахотных земель, имевшее место практически во всех регионах России в последние десятилетия, как правило, сопровождается их деградацией, эрозией, резким снижением плодородия почв, зарастанием древесно-кустарниковой растительностью. При этом стихийный характер забрасывания усложняет задачу наблюдения и контроля за использованием сельскохозяйственных земель. Нерациональное землепользование, связанное, например, с несоблюдением правил сельскохозяйственного севооборота, может приводить к истощению почв, и, как следствие, к длительному снижению плодородия земель. Таким образом, существует необходимость в объективных методах контроля за землепользованием, причем как на уровне отдельных аграрных регионов, так и на уровне страны в целом. Учитывая важное экологическое, экономическое и социальное значение сельского

хозяйства

в

России,

имеющийся

недостаток

объективной,

оперативной и достоверной информации об использовании пахотных земель, можно утверждать, что развитие методов спутникового мониторинга пахотных земель России стоит в ряду приоритетных задач, что и определяет актуальность представленной диссертационной работы. 11

Цели

и

задачи

диссертационной

исследований.

работы

исследований

Целью

проведенных

являлась

разработка

в

рамках методов,

алгоритмов и автоматических технологий использования данных спутниковых наблюдений для решения задач мониторинга пахотных земель. Достижение данной цели потребовало решения следующих научных задач: – проведение анализа особенностей и задач информационного обеспечения агропромышленного сектора России и разработка на его основе требований к структуре и характеристикам системы спутникового мониторинга пахотных земель; – разработка алгоритмов предварительной обработки данных наблюдений съемочной системой MODIS и формирования наборов спутниковых данных, очищенных от влияния облачного и снежного покровов; – разработка автоматических алгоритмов детектирования некоторых видов с.-х. культур и чистого пара по данным MODIS; – разработка

автоматических

алгоритмов

детектирования

ИПЗ

с

использованием многолетних временных серий данных MODIS; – разработка программного обеспечения (ПО) для предварительной и тематической обработки данных MODIS в интересах решения задач с.-х. мониторинга; – проведение анализа получаемых результатов и оценка их достоверности с использованием опорной и справочной информации из независимых источников. Результаты

исследований,

проведенных

автором,

позволяют

сформулировать следующие защищаемые положения. Научная новизна. В диссертационной работе впервые предложен метод анализа многолетних временных рядов ДДЗ для выявления используемых пахотных земель. Автором предложены новые признаки для распознавания используемых пахотных земель, некоторых видов с.-х. культур и чистого пара, основанные на анализе межгодовой и сезонной динамики перпендикулярного вегетационного индекса. Разработанный на основе указанных признаков метод 12

распознавания используемых пахотных земель включает предложенную автором процедуру автоматической региональной настройки пороговых значений классификатора. Разработанные автоматические методы впервые позволили по данным спутниковых наблюдений получить информацию о пространственном размещении используемых пахотных земель России на национальном уровне. Основные результаты диссертационной работы: – разработан автоматический метод предварительной обработки данных прибора MODIS для формирования очищенных от влияния облачности и

снежного

покрова

спутниковых

изображений

в

интересах

сельскохозяйственного мониторинга; – разработаны автоматические методы тематической обработки временных серий данных прибора MODIS для детектирования озимых культур, подсолнечника и чистого пара; – разработан автоматический метод обработки многолетних временных серий данных прибора MODIS для выявления и оценки площадей ИПЗ; – на основе разработанных методов получены фактические данные о наличии, пространственном размещении и площадях ИПЗ в основных сельскохозяйственных. регионах России. Практическая предварительной

значимость.

обработки

ДДЗ

Разработанные позволили

автором

получать

методы

композитные

изображения, свободные от влияния облачности и других мешающих факторов. Построенные изображения используются в различных приложениях ДЗ. Разработанный метод детектирования ИПЗ позволил получить независимые оценки наличия ИПЗ во всех основных с.-х. регионах России. Данные о наличии ИПЗ были использованы при проведении Всероссийской сельскохозяйственной переписи 2006 года в качестве объективного, независимого источника данных. Созданные методы для детектирования с.-х. культур были использованы для получения данных о пространственном размещении посевов озимых культур и подсолнечника, а также участков чистого пара для 13

территории Ростовской области. Результаты работы являются составной частью разрабатываемой национальной системы мониторинга с.-х. земель. Полученные автором результаты были использованы при выполнении научных проектов, в том числе, поддержанных Российским фондом фундаментальных исследований (РФФИ 04-07-90263-в). Апробация. Результаты работы докладывались на 10 российских и международных конференциях, а также на научных семинарах ИКИ РАН и Института безопасности и защиты граждан (Institute for Protection and Security of the Citizen JRC EC). На 31-ом Международном симпозиуме по дистанционному

зондированию

окружающей

среды

(31st

International

Symposium on Remote Sensing of Environment 2005) автором получена награда за лучший стендовый доклад в секции «Сельское хозяйство». В 2005 г. автор награжден первой премией в номинации «Лучшая научная работа Института» в конкурсе научных работ ИКИ РАН. Публикации. По результатам исследования опубликовано 18 научных работ.

Все

основные

самостоятельно

результаты

разработал

получены

все описанные

автором

лично.

методы обработки

Автор данных,

осуществил их программную реализацию, получил и проанализировал представленные результаты. Структура и объем диссертации. Диссертация состоит из введения, четырех разделов, заключения и списка литературы. Объем диссертации составляет 162 страницы, включая 47 рисунков, 10 таблиц и 3 приложения. В первом разделе анализируются текущее состояние и тенденции развития сельского хозяйства в России, дан обзор существующего опыта использования ДДЗ в применении к задачам мониторинга пахотных земель, дан обзор действующих и разрабатываемых систем спутникового мониторинга с.-х. земель, описываются требования к создаваемым современным системам ДЗ пахотных земель, предлагается структура системы спутникового мониторинга пахотных земель России. 14

Во

втором

разделе

проанализированы

характеристики

объектов

наблюдения при дистанционном зондировании пахотных земель, выполнен анализ требований к приборам ДЗ в применении к задачам мониторинга с.-х. земель и обоснована целесообразность использования данных съемочной системы MODIS, описана технология формирования архива спутниковых данных. Анализируются требования к алгоритмам предварительной обработки ДДЗ и показана необходимость построения композитных изображений, описаны

алгоритмы

наблюдений,

предварительной

включая

метод

обработки

получения

данных

композитных

спутниковых

изображений

с

улучшенными с точки зрения решения задач тематической обработки свойствами, обработки

проведено

сравнение

композитных

полученных

спутниковых

после

изображений

предварительной со

стандартными

продуктами, получаемыми в рамках программы EOS, показаны перспективы использования улучшенных композитных изображений MODIS для других приложений дистанционного зондирования Земли (ДЗЗ). В

третьем

разделе

представлены

алгоритмы

вспомогательной

классификации некоторых типов естественной растительности и земной поверхности, включая земли заведомо несельскохозяйственного назначения (леса, балки, водные объекты, урбанизированные территории и т.д.), в качестве необходимого этапа тематической обработки спутниковых изображений, анализируются требования к методам детектирования различных типов посевов с.-х. культур, описываются разработанные алгоритмы детектирования посевов озимых культур, подсолнечника и чистого пара, приведены результаты сравнения с материалами государственной статистики и данными полевых наблюдений. В четвертом разделе описывается технология детектирования ИПЗ, описываются особенности фенологической и межсезонной динамики ИПЗ, положенные в основу алгоритма их детектирования, представлен метод детектирования

ИПЗ,

приведены

результаты

сравнения

полученных

результатов с материалами государственной статистики и с результатами 15

анализа спутниковых изображений высокого разрешения, описана система сбора и обработки ДДЗ, а также распространения получаемых результатов спутникового мониторинга сельского хозяйства, изложены особенности программной

реализации

картографического

построенных

веб-интерфейса

алгоритмов, доступа

дано к

описание результатам

сельскохозяйственного мониторинга. В Заключении приведены основные результаты и выводы диссертации. Большую поддержку в подготовке работы оказали научный руководитель, заведующий лабораторией ИКИ РАН к.т.н. С.А. Барталев и заместитель директора ИКИ РАН д.т.н. Е.А. Лупян. Автор выражает свою особую признательность Е.В. Щербенко и Т.С. Ховратович за критические замечания и поддержку по ходу подготовки работы. Автор искренне благодарен своим коллегам, сотрудникам отдела информационных технологий спутникового мониторинга ИКИ РАН.

16

Раздел

1.

Анализ

требований

к

функциональной

структуре

и

характеристикам системы спутникового мониторинга пахотных земель России 1.1 Особенности сельскохозяйственного производства и основные задачи мониторинга пахотных земель Эффективное сельское хозяйство является одним из важнейших условий развития экономики России. Сельское население составляет 38,7 млн чел. (2004 г.). В отрасли сельского хозяйства среднегодовая численность занятых составляет 6,9 млн чел., что составляет 10 % от общероссийского показателя (2004 г.). В сельском хозяйстве работает 22 135 организаций по производству сельскохозяйственной продукции, 263,9 тыс. крестьянских (фермерских) хозяйств ( К(Ф)Х ), а также около 16 млн личных подсобных хозяйств (ЛПХ) (2003 г.). При этом в сельском хозяйстве производится 5,4 % валового внутреннего продукта (ВВП) России (2003 г.). Из всех основных отраслей экономики

(сельское

хозяйство,

лесное

хозяйство,

промышленность,

строительство, транспорт и связь, торговля и общественное питание, оптовая торговля продукцией научно-технического назначения) сельское хозяйство имеет

наименьшие

темпы

роста

производства

ВВП

(2,6 %,

2003 г.),

наименьший уровень динамики основных фондов (-2,8 %, 2003 г.), самую высокую долю убыточных предприятий (52,8 %, 2003 г.), а также наименьшую среднемесячную номинальную начисленную заработную плату (2 163 руб., 2003 г.) [1,2]. Отрасль сельского хозяйства делится на два основных раздела: растениеводство и животноводство. При этом на отрасль растениеводства приходится 55,1 % производимой продукции (в фактически действовавших ценах, 2003 г.). Несмотря на продолжающееся снижение посевных площадей, в последние годы наблюдается стабилизация производства валового объема основных

видов

продукции

растениеводства.

Причем

продукция

растениеводства предлагается не только на внутренний рынок, но и на экспорт. 17

Так, например, в 2004 г. экспорт подсолнечного масла составил 230,6 тыс. тонн (импорт – 161,2) , экспорт зерновых культур – 5 863,6 тыс. тонн (2 895,5) [3]. В категорию сельскохозяйственных угодий России входило 193,8 млн га земель, из которых 117,5 млн га относилось к пахотным землям, 71,5 млн га к кормовым угодьям, 3 млн га к залежным землям и 1,8 млн га к многолетним насаждениям (2004 г.) [3]. При этом далеко не все земли, относящиеся к пахотным, фактически используются в этом качестве. Так в 2004 году посевные площади

составили

78,8

млн

га,

со

следующим

их

относительным

распределением по отдельным сельскохозяйственным культурам: 31 % – кормовые культуры, 9 % – технические культуры, 14 % – озимые зерновые, 41 % – яровые зерновые, 5 % – картофель и овощебахчевые культуры. Площади чистых паров (включая сидеральные) составили 16 млн га [1,3]. Основная продукция растениеводства приходится на ряд регионов наиболее благоприятных по своим климатическим условиям. Это, главным образом, регионы Южного федерального округа (ЮФО), Черноземной зоны и южной Сибири. Наиболее интенсивно растениеводство развито в регионах юга России. Здесь доля посевных земель может составлять более 40 % от всей площади субъекта (Белгородская область – 50 %, Краснодарский край – 48 %, Ростовская область – 42 %, Ставропольский край – 42 %). [2]. В 40 крупнейших по посевной площади субъектах сосредоточено 89 % всех посевных площадей России (2004 г.) (рис. 1). Большая часть посевных площадей находится в с.-х. организациях – 82 %, остальная посевная площадь распределяется между К(Ф)Х – 12 %, и хозяйствами населения – 6 %. Основная часть – 95 % – с.-х. организаций имеет посевную площадь зерновых культур более 200 га [1,2].

18

Рисунок 1 – Доля посевной площади от площади субъекта РФ в 2003 г. В течение последних двух десятилетий в силу влияния причин экономического,

политического

и

социального

характера

произошли

значительные изменения в использовании с.-х. земель. Осуществление земельной реформы в России привело к образованию новых экономических агентов, ведущих использование земель независимо от органов власти. Как следствие посевная площадь в стране претерпела значительное сокращение и изменение структуры. За период с 1975 по 2005 гг. посевная площадь уменьшилась на 49 млн га (39 %) (рис. 2). Забрасываемые пахотные земли, формально оставаясь в категории с.-х. угодий, зачастую приходят в состояние непригодности

для

дальнейшего

аграрного

использования.

При

этом

пространственная неоднородность процесса забрасывания с.-х. земель и низкая эффективность

традиционной

агропромышленного

комплекса

системы

сбора

затрудняют

данных

о

состоянии

своевременное

получение

необходимых для управления данных. В период с 1997 по 2004 гг. наибольшие площади пашни были выведены из севооборота в Башкортостане (1 049 тыс. га), Курганской (762 тыс. га), Волгоградской (691 тыс. га), Саратовской (665 тыс. га) областях. При этом 19

посевная площадь уменьшилась во всех регионах России, за исключением Ингушетии и Ростовской области [2]. В некоторых субъектах посевная площадь уменьшилась более чем вдвое: Агинский Бурятский АО (на 60 %), Хакасия (51 %), Тыва (66 %), Астраханская область (57 %) (рис. 3).

Рисунок 2 – Динамика посевной площади в России в период с 1975 по 2005 гг.

Рисунок 3 – Относительное снижение посевных площадей по субъектам РФ в период с 1997 по 2003 гг. 20

В связи с резким падением производства в области животноводства в основном сокращались посевные площади кормовых культур. При этом посевные площади экономически рентабельных культур сократились в меньшей степени, а некоторых, например, технических, даже увеличились. Сравнение структуры посевных площадей в 1995 и 2003 годах представлено на рис. 4. Такое изменение структуры посевных площадей сказывается, в том числе, и на плодородии пахотных угодий. В регионах, характеризующихся развитием почв легкого механического состава и сильными ветрами, существуют предпосылки для ветровой дефляции почв и снижения плодородия. В регионах лесной полосы возможно зарастание пахотных угодий древеснокустарниковой растительностью и мелколиственными лесами. В тоже время снижение интенсивности использования сельскохозяйственных земель может оказать положительное влияние на плодородие почв в степной зоне, так как при этом уменьшается смыв плодородного почвенного слоя поверхностным стоком, замедляется развитие форм водно-эрозионного рельефа – борозд, балок, оврагов. Изменение структуры посевных площадей приводит к нарушению системы научно-обоснованных севооборотов, ведет к более интенсивному изъятию из почвы гумуса, что негативно сказывается на плодородии почв. В севооборотах уменьшается доля кормовых культур и увеличивается доля зерновых и технических культур, то есть ведется более интенсивное изъятие из почвы элементов минерального питания. Уменьшение доли чистых паров ведет к увеличению засоренности посевов, способствует быстрому размножению насекомых-вредителей. Происходящие изменения в землепользовании с.-х. земель требуют к себе повышенного внимания при решении задач эффективного и устойчивого управления требующего

агропромышленным объективной

и

комплексом

регулярно

на

различных

обновляемой

уровнях,

информации

о

характеристиках с.-х. производства. В настоящее время информация об использовании с.-х. земель собирается региональными комитетами Росстата. 21

Рисунок 4 – Структура посевных площадей в 1995 (a) и 2003 (б) годах К особенностям, затрудняющим объективный контроль состояния с.-х. производства, относятся большое количество мелких экономических агентов (с.-х.

предприятий,

К(Ф)Х

и

ЛПХ)

и

существенная

географическая

рассредоточенность объектов контроля. Контроль предоставляемой с.-х. предприятиями информации частично осуществляется агрономами районов, но представляет

собой

исключительно

трудоемкую

задачу.

Ежегодно

сельхозпроизводители заполняют формы статистической отчетности, данные которых затем обобщаются на район, субъект. Таким образом, информация о посевных площадях различных культур и других параметрах с.-х. производства передается самим сельхозпроизводителем в региональные органы государственной

статистики

при

отсутствии

эффективной

системы

контроля

достоверности представляемой информации. Система статистического наблюдения

такого

рода

не

дает

возможности

получить

информацию

о

пространственном размещении посевов, так как в формах статистической отчетности сельхозпроизводитель указывает только площади наличия и использования с.-х. угодий, но не указывает, какие конкретно поля будут использованы под посевы. Таким образом, в рамках функционирующей в России традиционной системы агромониторинга отсутствует регулярный сбор 22

информации о фактическом размещении посевов и используемых земель. Существующие кадастровые планы несут в себе информацию только о назначении (но не о фактическом использовании) земель, а имеющиеся мелкомасштабные карты землепользования России [4] содержат лишь обобщенные агрегированные данные. Таким образом, система получения данных о состоянии с.-х. земель на уровне страны или регионов, опирающаяся на данные комитетов государственной статистики, в настоящее время не может быть признана полностью отвечающей современным требованиям. Изменения в землепользовании требуют эффективного мониторинга. Регулирование агропромышленного комплекса также требует информации о важнейших параметрах с.-х. производства. При этом система сбора такого рода информации должна обладать свойствами объективности, оперативности, пространственно-временной однородности по номенклатуре определяемых показателей и точностным характеристикам, а также высоким уровнем независимости от производителей сельхозпродукции. Таким

образом,

существует

актуальная

задача

получения

пространственно-координированной и регулярно обновляемой информации о наличии и фактическом использовании пахотных земель на региональном и национальном уровнях. Такая информация должна включать в себя данные об используемых пахотных землях и их динамике, площадях посевов различных с.-х. культур и их состоянии, изменениях в структуре посевной площади. Наличие отвечающей современным требованиям системы сбора такого рода информации позволит повысить точность и достоверность прогнозирования параметров производства с.-х. продукции, а также повысить эффективность информационного обеспечения поддержки принятия решений в области агропромышленного комплекса, в том числе, связанных с субсидированием сельхозпредприятий. В связи с нарастающим вниманием к вопросам глобального изменения климата, достоверные данные о динамике посевных площадей и режимах землепользования

являются

важной

составляющей 23

информационного

обеспечения

фундаментальных

исследований.

Моделирование

циклов

биогеохимических элементов и, прежде всего, цикла углерода, расчет запасов и эмиссий углерода, невозможны без информации о землепользовании и об использовании пахотных земель [5,6]. При этом для проведения моделирования необходима не только обобщенная информация о количестве посевных площадей, но и информация об их пространственном размещении. За счет совершенствования

систем

землепользования

возможна

выработка

оптимальных стратегий для минимизации эмиссий в атмосферу углекислого газа. Для получения более полной и точной информации о наличии и фактическом использовании с.-х. угодий в 2006 году была проведена Всероссийская сельскохозяйственная перепись. В ходе проведения переписи сбор

информации

производился

по

крупным

сельскохозяйственным

организациям, без проведения полевых работ по сбору информации о пространственном размещении посевов. Проведение такого рода сплошных обследований требует больших затрат и в дальнейшем планируется к проведению с частотой один раз в 10 лет. Таким образом, ежегодное обновление данных о состоянии и пространственном размещении пахотных земель может служить важным дополнением к информации, собираемой в ходе с.-х. переписи. 1.2 Возможности приборов дистанционного зондирования со спутников для решения задач мониторинга сельскохозяйственных земель С

первых

лет

освоения

космического

пространства

одной

из

приоритетных была задача дистанционного наблюдения Земли. Первые регулярные изображения были получены с борта американского спутника ERTS-1 (позднее переименован в Landsat-1) в 1972 г. В настоящее время существует ряд спутниковых систем, созданных различными странами и направленных на исследование природных ресурсов. Получаемые со спутников ДДЗ используются в различных приложениях мониторинга Земли, в том числе, 24

в интересах изучения состояния с.-х. земель. Наиболее широко используются для мониторинга растительности ДДЗ в видимой, ближней ИК и средней ИК зонах электромагнитного спектра. Спутниковые изображения в этих зонах спектра позволяют эффективно отделять зеленую растительность от других типов земного покрова. Построение систем мониторинга с.-х. земель требует априорных знаний о спектральных отражательных свойствах наблюдаемых объектов. К таким объектам, в первую очередь, относятся наблюдаемые с.-х. культуры. Отражательные свойства с.-х. культур достаточно хорошо изучены по данным наземных и самолетных наблюдений [7,8,9]. Основными факторами, определяющими отражательные свойства растительности, являются наличие хлорофилла и других растительных пигментов, строение листьев и структура растительного полога. Влияние на результаты измерений также оказывают геометрические условия наблюдения и отражение подстилающей поверхностью при неполном проективном покрытии растительным покровом. Важнейшей

характеристикой

получаемых

ДДЗ

является

пространственное разрешение. Доступные ДДЗ можно разделить на четыре категории в соответствии с величиной пространственного разрешения: данные низкого разрешения (~1 км), среднего разрешения (150-300 м), высокого разрешения (20-80 м), сверхвысокого разрешения (до 20 м). Данные низкого разрешения (~1 км) находят широкое применение в мониторинге суши и океана. Эти данные отличает высокая доступность (свободное распространение или низкая стоимость) и возможность наблюдения всей поверхности Земли с периодичностью около одних суток. К широко используемым данным низкого пространственного разрешения относятся изображения, получаемые съемочной системой AVHRR, установленной на борту спутников серии NOAA, а также съемочной системой Vegetation со спутника SPOT-5. Прибор AVHRR обеспечивает проведение съемки Земли в шести спектральных каналах с разрешением 1,1 км при наблюдении в надир. Так как одновременно на орбите функционируют несколько спутников NOAA, 25

периодичность съемки любой территории составляет несколько часов. Передаваемые данные могут быть приняты в оперативном режиме на стандартные антенны, а архивные данные съемки свободно распространяются рядом правительственных ведомств и научных организаций. В частности, Геологическая служба США обеспечивает доступ к архивным данным за период начиная с 1973 года. Прибор Vegetation установлен на борту французского спутника SPOT-5 и ведет съемку в четырех спектральных каналах с разрешением при наблюдении в надир 1,15 км. Отличительной особенностью прибора является лучшая по сравнению с AVHRR геометрическая точность совмещения спектральных каналов (0,1 км) и разновременных изображений (0,3 км). Данные съемки свободно доступны для использования в научных целях и распространяются через Интернет с задержкой три месяца. Съемка прибором SPOT-Vegetation ведется начиная с марта 1998 года. В последние годы получают все большее использование спутниковые приборы (Terra/Aqua-MODIS, Envisat-MERIS), проводящие съемку поверхности Земли со средним пространственным разрешением (250-500 м). Особенностью указанных приборов является наличие большого числа спектральных каналов, при этом съемка ведется в узких спектральных зонах, шириной до 10 нм. Это дает возможность вести наблюдение в полосах поглощения хлорофилла, воды и других важных компонентов, повышает достоверность распознавания объектов подстилающей поверхности и оценки их состояния по спектральным признакам. Достаточно широкая полоса съемки указанными приборами позволяет наблюдать любую точку земной поверхности с периодичностью 1-2 дня. Важной особенностью использования указанных приборов среднего пространственного

разрешения

в

интересах

агромониторинга

является

возможность наблюдения отдельных с.-х. полей, размеры которых в зоне интенсивного земледелия России, как правило, в несколько раз превышают величину

пространственного

разрешения

получаемых

данных,

одновременном обеспечении достаточно высокой частоты наблюдений. 26

при

Сканирующий радиометр среднего разрешения MODIS размещен на борту двух американских спутников, Terra и Aqua. Спутник Terra запущен в 1999 году, Aqua – в 2002 году. Данные наблюдений распространяются свободно Геологической службой США через Интернет, а также могут приниматься в оперативном режиме на развитую в России сеть приемных станций. MODIS обеспечивает проведение съемки в 36 спектральных каналах в диапазоне 0,4-14,4 мкм. Пространственное разрешение данных, получаемых в красном и ближнем ИК каналах, предназначенных для мониторинга растительности, составляет 250 м. Разработка такого рода гиперспектральных приборов среднего разрешения является перспективным направлением развития систем наблюдения Земли. Спутники Terra и Aqua являются экспериментальными в рамках программы НАСА по построению системы наблюдения Земли (EOS). По завершении работы Terra и Aqua планируется получать аналогичные данные в режиме промышленной эксплуатации разрабатываемых в настоящее время спутников NPOESS. Прибор MERIS установлен на борту спутника Envisat, принадлежащего ESA.

MERIS

ведет

съемку

в

пятнадцати

спектральных

каналах

с

пространственным разрешением 300 м в диапазоне 0,4-1,05 мкм. Данные распространяются ESA в неоперативном режиме по специальным заявкам для проведения научных исследований. Съемку поверхности Земли с высоким разрешением ведет целый ряд спутниковых систем. Наиболее широко используемой является серия спутников Landsat, на которых последовательно устанавливались приборы MSS (Landsat1, 2, 3, 4, 5), TM (Landsat-4, 5) и ETM+ (Landsat-7). Наиболее современный прибор ETM+ имеет восемь каналов съемки в диапазоне 0,4-13 мкм с разрешением 15-60 м. Периодичность съемки составляет 16 дней. Данные ETM+ распространяются на коммерческой основе, однако достаточно большой набор

архивных

изображений,

имеющих

глобальное

распространяется свободно университетом штата Мэриленд. 27

покрытие,

Прибор наблюдения Земли МСУ-Э, последовательно действовавший на ряде российских спутников (Ресурс-О, Ресурс-О1 и Метеор-3М), обеспечивает проведение съемки с разрешением около 40 м в трех спектральных каналах диапазона 0,5-0,9 мкм. Съемочная аппаратура действующего в настоящее время российского спутника Монитор-Э обеспечивает проведение съемки в четырех каналах спектрального диапазона 0,5-0,9 мкм при ширине полосы захвата 160 км.

Данные

предполагается

распространять

для

удовлетворения

потребностей российских государственных потребителей, а также другим заинтересованным потребителям на коммерческой основе. Данные сверхвысокого разрешения для мониторинга растительности на региональном и национальном уровнях практически не используются. Такие данные в настоящее время невозможно получать с достаточно высокой периодичностью при одновременном обеспечении охвата больших территорий. Кроме того, важным фактором, сдерживающим широкое и регулярное использование спутниковых данных сверхвысокого разрешения, является их высокая стоимость. Технические

характеристики

приборов

ДЗ,

наиболее

широко

используемых для мониторинга сельского хозяйства, приведены в таблице 1. Использование ДДЗ для мониторинга с.-х. земель ведется с 70-х годов прошлого века. Выбор данных того или иного прибора определяется особенностями задачи мониторинга. При проведении глобального мониторинга используются спутниковые приборы низкого разрешения, позволяющие за короткий период получать данные на всю поверхность Земли, но не обеспечивающие возможности сбора информации на уровне отдельных сельскохозяйственных

полей.

Данные

высокого

разрешения

обычно

применяются для эпизодического мониторинга небольших территорий с высокой пространственной детальностью. Эти данные часто используются для проведения локальных исследований или подспутниковых экспериментов. Данные среднего разрешения позволяют вести наблюдения с высокой частотой и пространственным разрешением, достаточным для наблюдения крупных с.-х. 28

полей. Таким образом, данные низкого разрешения могут использоваться для прогнозирования урожайности на большой территории и качественной оценки состояния посевов. Данные высокого разрешения могут применяться для целей картографирования посевов, определения их состояния, прогноза урожайности на локальном уровне. Данные среднего разрешения могут быть использованы как для картографирования посевов, так и для регулярного их мониторинга. С их

помощью

можно

решать

задачи

оценки

состояния

посевов

и

прогнозирования урожайности. Возможности основных спутниковых систем для мониторинга пахотных земель приведены в таблице 2. Наиболее активными направлениями практических разработок в области использования ДДЗ для мониторинга с.-х. земель являются: исследование возможностей применения ДДЗ для определения площадей и размещения посевов

культур,

картографирования

используемых

пахотных

земель,

прогнозирования урожайности, мониторинга состояния посевов, оценки параметров

почвы,

оценки

ущерба

наносимого

внешними

факторами

(наводнения, засухи) посевам с.-х. культур, оценки фенологических дат развития посевов, оценки биомассы, инвентаризации и картографирования земельных угодий, изучения динамики с.-х. использования земель, контроля за проведением агротехнических мероприятий, изучения систем земледелия. Эффективное решение тематических задач с.-х. мониторинга, как правило,

требует

проведения

предварительной

обработки

спутниковых

изображений. В частности, такая обработка требуется для выявления пикселов, закрытых облаками, снегом, или зашумленных ввиду влияния аппаратных сбоев. До недавнего времени отбор безоблачных «чистых» изображений проводился оператором вручную, но с увеличением объемов получаемых ДДЗ появилась необходимость в создании автоматических методов и систем предварительной обработки [10].

29

Таблица 1 – Характеристики основных спутниковых систем ДЗ, используемых для решения задач сельскохозяйственного мониторинга Прибор (спутник)

Спектральные каналы и ПериоДоступность пространственное разрешение дичность при съемке в надир съемки, сут.

AVHRR (серия 0,58-0,68 мкм (1100 м) спутников 0,73-1,00 мкм (1100 м) NOAA-1..17) 1,58-1,64 мкм (1100 м) 3,55-3,93 мкм (1100 м) 10,3-11,3 мкм (1100 м) 11,5-12,5 мкм (1100 м) Vegetation 0,43-0,47 мкм (1100 м) (SPOT-5) 0,61-0,68 мкм (1100 м) 0,78-0,89 мкм (1100 м) 1,58-1,75 мкм (1100 м) MODIS (Terra, 0,4-14,4 мкм Aqua) 250 м (1-2 каналы) 500 м (3-7 каналы) 1000 м (8-36 каналы) (см. таблицу 3) MERIS 0,4-1,05 мкм (300 м) (Envisat)

Время функционирования

1-2

Свободное распространение.

1-2

Свободно с задержкой в 3 C мар. 1998 г. месяца. Оперативные данные – на договорной основе.

1-2

Свободное распространение.

2-3

По предварительным С 2000 г. заявкам. 30

Адрес веб-сайта

С 1973 г. http://noaasis.noaa.В настоящее gov/NOAASIS/ml/время работают avhrr.html NOAA-12, 15, 16, 17. http://www.spotvegetation.com/ http://www.vgt. vito.be/catalogue/catalogue.html C дек. 1999 г. http://modis.gsfc. (Terra) nasa.gov/ C мая 2002 г. (Aqua) http://envisat.esa.int/instruments/meris/

Продолжение таблицы 1 Прибор (спутник) Спектральные каналы и ПериоДоступность разрешение при съемке в дичность надир съемки, сут. MSS (серия спутников Landsat-1, 2, 3, 4, 5)

TM (Landsat-4, 5) ETM (Landsat-6) ETM+ (Landsat-7)

0,5-0,6 мкм (80 м) 0,6-0,7 мкм (80 м) 0,7-0,8 мкм (80 м) 0,8-1,1 мкм (80 м) 10,41-12,6 мкм (237 м, 18 только на Landsat-3)

0,45-0,52 мкм (30 м) 0,53-0,61 мкм (30 м) 0,63-0,69 мкм (30 м) 0,75-0,90 мкм (30 м) 1,55-1,75 мкм (30 м) 16 10,4-12,5 мкм (60 м на ETM+, 120 м на TM и ETM) 2,09-2,35 мкм (30 м) 0,52-0,9 мкм (30 м, только на ETM и ETM+)

Время функционирования

На коммерческой Июль 1972 – янв. 1978 основе. (Landsat-1) Янв. 1975 – фев. 1982 (Landsat-2) Март 1978 – мар. 1983 (Landsat-3) Июль 1982 – июнь 2001 (Landsat-4) Март 1984 – авг.1995 (Landsat-5) На коммерческой Июль 1982 – июнь основе. 2001 (Landsat-4) С мар.1984 (Landsat-5) – Потерян при запуске (окт.2005 г.) На коммерческой С апр.1999 г. основе.

31

Адрес веб-сайта

http://landsat.gsfc. nasa.gov/ http://glcfapp.umiac. umd.edu

Окончание таблицы 1 Прибор (спутник) Спектральные каналы и ПериоДоступность разрешение при съемке в дичность надир съемки, сут. ПСА, РДСА (Монитор-Э)

0,54-0,59 мкм 0,63-0,68 мкм 0,79-0,90 мкм 0,51-0,85 мкм

(20/40 м) (20/40 м) (20/40 м) (5 м)

МСУ-Э (Метеор- 0,5-0,6 мкм (35 м) 3М) 0,6-0,7 мкм (35 м) 0,8-0,9 мкм (35 м)

Время функционирования

На коммерческой С авг. 2005 г. основе.

На коммерческой Дек. 2001 – нояб. 2005. основе.

32

Адрес веб-сайта

http://www.khrunic hev.ru/khrunichev/live/full_mka.asp? id=13192 http://www.ntsomz. ru/satellites/rus_sat ellites/monitor_e http://www.roscosmos.ru/AddInfo/meteor-3m.asp http://www.ntsomz. ru/m3/m3m.htm

Таблица 2 – Основные возможности спутниковых систем для мониторинга пахотных земель Направления мониторинга пахотных земель

Картографирование пахотных земель

Прогнозирование урожайности

Картографирование посевов

Оценка состояния посевов

Спутниковые приборы для решения задач мониторинга пахотных земель Низкое разреСреднее Высокое разрешение Детальное разрешение шение разрешение (20-50 м) (1-5 м) (около 1000 м) (250-500 м) Landsat-TM/ETM+ Terra/AquaTerra-ASTER MODIS SPOT- HRV/HRVIR EnvisatМонитор-Э MERIS IRS-LISS Landsat-TM/ETM+ NOAA-AVHRR Terra-ASTER Terra/AquaSPOTSPOT- HRV/HRVIR MODIS Vegetation Монитор-Э IRS-LISS Landsat-TM/ETM+ Terra/AquaTerra-ASTER MODIS SPOT- HRV/HRVIR EnvisatМонитор-Э MERIS IRS-LISS Landsat-TM/ETM+ Terra/Aqua- Terra-ASTER SPOT- HRV/HRVIR MODIS Монитор-Э EnvisatMERIS IRS-LISS

33

Окончание таблицы 2 Направления мониторинга пахотных земель Оценка последствий действия негативных факторов (заморозки, наводнения и т.п.) Точное земледелие

Оценка биофизических параметров Оперативный мониторинга развития с.-х. культур

Спутниковые приборы для решения задач мониторинга пахотных земель Низкое разреСреднее Высокое разрешение Детальное разрешение шение разрешение (20-50 м) (1-5 м) (около 1000 м) (250-500 м) Terra/AquaMODIS Landsat-TM/ETM+ Terra-ASTER SPOT- HRV/HRVIR Монитор-Э IRS-LISS Landsat-TM/ETM+ Terra/AquaTerra-ASTER MODIS SPOT- HRV/HRVIR EnvisatМонитор-Э MERIS IRS-LISS Terra/AquaMODIS

34

IKONOS Quick-Bird SPOT-HRG IRS-PAN

В силу высокой размерности анализируемого пространства измерений (многоспектральные разновременные снимки) построение полноценных систем мониторинга невозможно без разработки набора алгоритмов предварительной обработки и тематической интерпретации снимков [11]. Важной задачей является выбор оптимальных признаков для классификации и, таким образом, снижение размерности анализируемого пространства. Как промежуточный этап, для снижения размерности используют вегетационные индексы (ВИ), характеризующие объем и состояние зеленых фракций растительности. Применимость того или иного ВИ определяется особенностями решаемой задачи. Ряд исследований посвящен анализу применимости тех или иных ВИ для

различных

территорий,

при

этом

обычно

каждое

исследование

ориентировано на использование данных конкретного спутникового прибора [12,13,14]. Например, в [15] рассматриваются ВИ при использовании данных MODIS, в [16,17] сравнивается применимость NDVI и EVI, рассчитываемых по данным MODIS. Показано, что по ВИ возможно определение LAI [16,18]. Следует заметить, что сопоставимость значений ВИ, рассчитанных по данным различных приборов, может быть обеспечена только при условии проведения специальной калибровки получаемых спутниковых данных [19]. Большое количество работ, использующих спутниковые данные высокого разрешения, посвящено исследованию возможностей применения ДДЗ на небольших тестовых участках. Использование таких данных позволяет строить карты посевов основных культур и оценивать их состояние на территории от отдельного хозяйства до

нескольких

административных

районов [20].

Показано, что ДДЗ позволяют оценивать состояние посевов после наводнений [21]. Данные высокого разрешения используются для исследования различных приложений ДЗЗ в интересах «точного земледелия» (precision agriculture). В рамках

концепции

«точного

земледелия»

исследуются

возможности

применения данных высокого разрешения конкретными фермерами [18,22]. Показано, что использование ДДЗ помогает фермерам более эффективно использовать удобрения, следить за состоянием посевов, оценивать действие 35

факторов, негативно влияющих на посевы, причем высокое разрешение ряда спутниковых приборов (IKONOS, Quick-bird) позволяет вести мониторинг внутри отдельных полей. Данные высокого разрешения могут использоваться для оптимизации агротехнических мероприятий [23]. Данные низкого разрешения позволяют получать обобщенную картину развития с.-х. культур. Классификация изображений при этом, как правило, выполняется на достаточно низком уровне тематической детальности [24]. Возможно

использование

указанных

данных

для

прогнозирования

урожайности, а также определения дат наступления фенологических фаз растений [25]. Данные низкого разрешения не позволяют наблюдать отдельные с.-х. поля, однако существуют работы по оценке площадей посевов по ДДЗ низкого разрешения с использованием методов оценки внутрипиксельного содержания разделяемых классов [26]. В таких случаях наиболее часто применяют модель линейных смесей [27]. Хорошие результаты дает совместный анализ данных различного разрешения. В работе [28] используются данные высокого разрешения (МСУ-Э, HRV-SPOT),

среднего

(МСУ-СК),

и

низкого

(NOAA-AVHRR)

для

картографирования земного покрова в с.-х. районах. Показано, что результаты тематической обработки снимков высокого разрешения могут служить обучающими выборками при дальнейшем тематическом анализе снимков среднего разрешения и могут быть расширены на значительную территорию. Сделан вывод о перспективности использования данных среднего разрешения таких, как данные Terra-MODIS. В работах [29,30] также совместно анализируются данные высокого (Landsat) и среднего (MODIS) разрешения. Карта типов растительности строится по данным высокого разрешения, а по данным MODIS ведется наблюдение за индексом листовой поверхности и прогнозирование урожайности различных культур. Появление данных среднего разрешения открыло возможность для глобального мониторинга с большей, по сравнению с ДДЗ низкого разрешения, точностью. При этом пространственное и временное разрешение позволяют 36

наблюдать фенологию отдельных полей. Ведутся интенсивные исследования возможностей использования приборов среднего разрешения для мониторинга с.-х. культур. В работах [31,32] используются данные Terra-MODIS для оценки площадей посевов риса на национальном и субконтинентальном уровне. Показано, что автоматические методы классификации позволяют получить информацию о пространственном распределении посевов риса на территории нескольких стран юго-восточной Азии и Китая. Оценены площади посевов и показано, что они достаточно хорошо согласуются с данными официальной статистики. Следует особо отметить большой пространственный охват территории (2,6 млн км2) при проведении исследований в данной работе. Разработанный метод картографирования посевов риса основывается на априорных знаниях и анализе динамики развития данной культуры. Сравнение результатов проводилась как с данными государственной статистики, так и с результатами классификации снимков высокого разрешения (Landsat). Приборы ДЗ среднего разрешения позволяют получать данные на одну и ту же территорию с периодом 1-2 дня. Эту возможность можно использовать для оперативного наблюдения за посевами, например, для оценивания дат наступления фенологических фаз развития растений, моделирования развития растений, прогнозирования урожайности. В работе [33] сделана попытка по данным MODIS оценить фенологию риса. Оценены даты посадки, колошения, уборки, длина периода активного роста. В работе [34] по данным MODIS оцениваются

даты

перехода

между

периодами

роста

и

увядания

растительности. Для зерновых культур показано, что существует связь между измеренным со спутника вегетационным индексом и урожайностью [35,36]. Высокая частота наблюдений ДДЗ среднего разрешения позволяет также оценивать фактические сроки сева зерновых культур [37]. Результаты синхронных наземных и спутниковых измерений показывают, что можно использовать ДДЗ для оценки биофизических параметров с.-х. культур, таких как

LAI,

сухая

и

зеленая

биомасса

[38].

Использование

модели

биопродуктивности EPIC позволяет моделировать развитие культур и делать 37

прогноз урожайности. При этом точность моделирования зависит от точности исходных данных о биофизических параметрах культур. Одним из источников такого рода входных данных для моделирования могут быть ДДЗ [39,40,41]. 1.3 Обзор существующего опыта использования данных дистанционного зондирования со спутников для мониторинга сельскохозяйственных земель Возможности современных приборов ДЗЗ послужили началом для проведения многочисленных исследований, разработок методов и создания систем мониторинга с.-х. производства с использованием спутниковых данных. Основные цели, которые ставятся при разработке таких систем, это прогнозирование производства с.-х. продукции, обеспечение национальной продовольственной безопасности, раннее предупреждение голода, мониторинг глобального

рынка

продовольствия.

К

наиболее

известным

примерам

действующих систем спутникового мониторинга с.-х. производства на глобальном уровне можно отнести системы, разработанные МСХ США, проект MARS

Европейской

Комиссии

и

систему

GIEWS,

разрабатываемую

Организацией по продовольствию и сельскому хозяйству (ФАО). Во многих странах действуют национальные системы мониторинга сельского хозяйства с использованием ДДЗ. Отдел по прогнозированию производства с.-х. культур (PECAD) Министерства сельского хозяйства (USDA) США разрабатывает программу глобального мониторинга с.-х. производства с использованием ДДЗ. Основная цель программы – предоставить надежные, объективные и точные данные о глобальном производстве с.-х. продукции. При этом используются ДДЗ высокого разрешения для оценки площадей посевов и прогнозирования урожайности важнейших культур [29] на территории США и данные низкого разрешения для прогнозирования урожайности на территории других стран. PECAD ведет мониторинг мирового производства, запасов и потребления с.-х. продукции. Методика PECAD основана на совместном использовании 38

метеорологических данных, данных полевых наблюдений и ДДЗ среднего и высокого

разрешения

для

детектирования

культур,

определения

фаз

фенологического развития и прогнозирования урожая. Результаты анализа используются,

чтобы

подтвердить

или

опровергнуть

информацию

об

ожидаемом урожае и для раннего оповещения о событиях, которые могут существенно повлиять на производство. Чтобы собрать вместе разнородные источники данных, PECAD разработал программу Crop Explorer, которая представляет собой ГИС-систему поддержки принятия решений. Проект глобального с.-х. мониторинга (GLAM), финансируемый совместно USDA и NASA, обновляет ГИС-систему спутниковыми данными с современного поколения спутников ДЗ (http://www.fas.usda.gov/pecad). Программа FEWS разрабатывается в партнерстве между несколькими ведомствами США (USAID, USDA-FAS, NASA, NOAA, USGS и Chemonics International). Цель программы – определить группы людей, испытывающих недостаток

продовольствия,

и

найти

возможности

для

смягчения

неблагоприятных условий и резких изменений в области доступности продовольствия. FEWS оценивает факторы риска, приводящие к недостатку продовольствия, позволяет выявлять регионы и группы людей, наиболее подверженных такого рода риску, а также разрабатывает возможные действия для смягчения последствий возникающих ситуаций продовольственных ограничений. FEWS NET ведет регулярный мониторинг, чтобы оценить доступность продовольствия, а также определить существующие преграды, ограничивающие возможности его использования. Для этого FEWS NET использует наблюдения за сетью хозяйств, оценивает их доход и уровень доступности продовольствия. Информация о хозяйствах позволяет понять конкретные причины недостатка продовольствия и меры, которые могут быть приняты для его устранения. Наряду с этим FEWS ведет мониторинг осадков, оценивает доступность воды, сезонное развитие растительности и с.-х. культур, а также динамику рыночных цен на с.-х. продукцию. FEWS NET использует данные наблюдений Земли с нескольких приборов ДЗ (AVHRR, VEGETATION, 39

MODIS) и продукты спутникового мониторинга (десятидневный NDVI, динамика снежного покрова по данным MODIS и AVHRR, десятидневные композитные изображения AVHRR, данные NASA-TRMM о выпадении осадков и данные NOAA-GDAS о метеорологических и климатических параметрах) для еженедельных оценок неблагоприятных погодных явлений и мониторинга с.-х. культур. Получаемая информация используется для поддержки принятия решений в области с.-х. политики и оказания продовольственной помощи (www.fews.net). Программа MARS, разрабатываемая JRC EC, предназначена для мониторинга

продовольственной

безопасности

в

Европе

и

наиболее

подверженных риску регионах мира. В настоящее время проект MARS-STAT обеспечивает информационную поддержку EC в области продовольственной политики. Проект MARS-FOOD осуществляет поддержку политики ЕС в области продовольственной помощи (DG AIDCO). MARS-STAT использует метеорологические данные и ДДЗ высокого разрешения для распознавания культур. Метеорологические и климатические данные, информация о характеристиках почвы и культурах, приемах агротехники используются для моделирования развития с.-х. культур (модель WOFOST) и прогнозирования урожайности. Данные высокого разрешения также позволяют проводить детальный контроль деятельности отдельных фермеров. MARS-FOOD метеорологические разрешения

и

использует данные.

только

Данные

метеорологические

ДДЗ

низкого

спутниковых данные

разрешения

наблюдений

используются

и

низкого

совместно

с

региональными агрономическими данными для прогнозирования урожая по различным культурам [42,43,44]. В основе методологии лежат анализ трендов, подобие текущей ситуации по отношению к другим годам (сравнение с аналогичным годом), регрессионный анализ и оценки экспертов. MARS-FOOD регулярно выпускает бюллетени о текущей и прогнозируемой ситуации развития с.-х. культур в различных регионах. Предполагается, что бюллетени 40

будут напрямую использованы администрацией ЕС по продовольственной безопасности. В выпускаемых бюллетенях публикуется ряд параметров для качественного и количественного анализа предполагаемого производства с.-х. продукции: количество осадков, солнечная радиация, температура, водный баланс, в том числе, в сравнении с данными многолетних наблюдений. Таким образом, при принятии решений в области продовольственной безопасности существует

более

полная

картина

фактических

условий

в

регионах

потенциального риска (рис. 5) (http://agrifish.jrc.it). Система GIEWS, разрабатываемая ФАО, была основана в 1975 г. для прогнозирования спроса и предложения на с.-х. продукцию. GIEWS ведет мониторинг производства, запасов, торговли и рыночных цен на с.-х. продукцию в глобальном масштабе. Информация GIEWS используется для прогнозирования серьезных недостатков продовольствия в отдельных регионах, с тем, чтобы ООН, а также другие международные и национальные агентства, могли сделать необходимые оценки потребности в помощи. GIEWS выпускает регулярные публикации о ситуации в регионах, наиболее подверженных риску недостатка

продовольствия.

В

GIEWS

используются

данные

низкого

разрешения для оценки количества осадков и мониторинга развития растительности. GIEWS также использует информацию ДЗЗ о типах земного покрова

и

землепользовании

совместно

с

данными

с.-х.

статистики,

информацией о с.-х. рынках и погодных условиях для мониторинга и прогноза производства с.-х. продукции (http://www.fao.org/giews). В ряде стран активно развиваются и используются региональные и национальные системы мониторинга с.-х. земель с применением ДДЗ, в частности, в Нидерландах (http://www.ears.nl), Австралии (http://www.agrecon.canberra.edu.au),

Бельгии

(http://b-cgms.cra.wallonie.be/),

Китае,

Бразилии,

Индии. Активно развивается национальная система мониторинга природных ресурсов в Казахстане.

41

Рисунок 5 – Пример бюллетеня, выпускаемого программой MARS-FOOD по мониторингу с.-х. растительности в Сомали (январь 2001 г.)

42

На основе ДДЗ в Казахстане ведется мониторинг чрезвычайных ситуаций [45], в том числе мониторинг паводков и наводнений [46], мониторинг береговой линии Каспийского моря в зоне сгонно-нагонных явлений [47]. В работе [48] анализируется влияние запусков космических объектов на состояние растительности. Для целей сельского хозяйства исследованы возможности оценки по спутниковым данным запасов почвенной влаги [49]. С использованием ДДЗ среднего разрешения ведется мониторинг с.-х. культур: оценивается засоренность посевов [50], определяются даты ярового сева [51]. Показано, что существует возможность определения посевных площадей. В работе [52] описывается методика оценки площадей зерновых культур с использованием данных среднего разрешения. В работах [53,54] описывается методика построения карт зерновых и паровых полей. По полученным данным проводится реконструкция используемых систем севооборота. Полученные результаты могут служить основой для прогнозирования урожайности зерновых культур. В [55] для оценки дат ярового сева зерновых культур совместно анализируются данные среднего разрешения и данные наземных наблюдений. В работе [56] с использованием данных среднего разрешения и полевых

обследований

оценивается

LAI,

прогнозируется

урожайность

зерновых культур. Можно выделить общие свойства действующих систем мониторинга с.-х. земель. Кроме ДДЗ такая система должна включать в себя всю доступную социально-экономическую и статистическую информацию о с.-х. производстве. Для мониторинга необходимо располагать климатическими данными и долговременными рядами метеорологических наблюдений, информацией о характеристиках почвенного покрова. ДДЗ позволяют вводить в систему мониторинга самую оперативную и необходимую информацию о фактическом развитии с.-х. культур. На основе математического моделирования с использованием ДДЗ, метеорологических и других вспомогательных данных возможно прогнозирование будущего урожая. Такой прогноз позволяет выделить регионы, подверженные риску недостатка продовольствия и 43

определить меры, необходимые для смягчения этого недостатка. Наиболее эффективно использовать ДДЗ различного разрешения для решения отдельных задач мониторинга: построения карт с.-х. посевов, мониторинга развития культур, наблюдения за отдельными полями, прогнозирования урожайности (рис. 6) [57].

Рисунок 6 – Схема мониторинга сельскохозяйственных земель с использованием ДДЗ различного пространственного разрешения

1.4 Требования к функциональной структуре и характеристикам системы спутникового мониторинга сельскохозяйственных земель C 2003 года в России по заказу МСХ РФ разрабатывается национальная система спутникового мониторинга c.-х. земель России. Система призвана обеспечить получение объективной информации об использовании с.-х. угодий, и, главным образом, пахотных земель. Система спутникового мониторинга позволит

обеспечивать

Министерство

сельского

хозяйства,

другие

заинтересованные государственные и коммерческие структуры оперативной и объективной информацией о с.-х. производстве. Система разрабатывается совместно ГВЦ МСХ, ИКИ РАН и другими организациями. При разработке проекта системы мониторинга ставились следующие основные задачи: 44

– создание базовой маски используемых пахотных земель за период 20012005 гг.; – обновление маски и оценка динамики используемых пахотных земель – ежегодно, по окончании с.-х. сезона; – выявление залежных земель – ежегодно, по окончании с.-х. сезона; – оценка используемых пахотных земель, оставленных под паром – ежегодно, в течение шести недель после окончания с.-х. сезона; – оценка используемых пахотных земель, занятых многолетними травами – ежегодно, по окончании с.-х. сезона; – оценка соблюдения правил севооборота – ежегодное обновление по окончании с.-х. сезона; – оценка посевных площадей в текущем году – ежегодно, в течение шести недель после начала с.-х. сезона, с уточнением по окончании с.-х. сезона; – оценка посевных площадей озимых культур – ежегодно, в осенний период, с обновлением в конце с.-х. сезона; – оценка состояния сохранившихся озимых культур – ежегодно, в течение четырех недель после начала с.-х. сезона; – мониторинг развития с.-х. культур в течение с.-х. сезона; – прогнозирование урожайности и валового сбора основных культур. Основой информационного обеспечения о растениеводстве должна стать карта пахотных земель России. Построение такой карты является основой для разработки дальнейшего мониторинга с.-х. культур. Алгоритмы детектирования посевов позволят в дальнейшем вести оперативный мониторинг состояния культур. Таким образом, первоочередной задачей мониторинга должна стать разработка методов для построения карты пахотных земель и фактического пространственного размещения посевов. При разработке требований к системе мониторинга с.-х. угодий и выбору спутниковой системы учитывались особенности, присущие именно сельскому хозяйству. Наблюдение за пахотными землями может осуществляться с 45

использованием широкого спектра приборов ДЗ, различающихся уровнем пространственного

разрешения,

спектральными

каналами,

частотой

наблюдения и другими параметрами. Однако ДДЗ должны удовлетворять специальным требованиям: для мониторинга растительности спутниковая съемка должна проводиться в зонах спектра, позволяющих наилучшим образом отделять зелёную растительность от других типов подстилающей поверхности. Пространственное

разрешение

используемых

ДДЗ

должно

позволять

наблюдать отдельные сельскохозяйственные поля. В силу достаточно быстрого развития

с.-х.

культур

необходима

высокая

периодичность

съемки.

Немаловажным фактором выбора используемых спутниковых данных является их стоимость. Так как система мониторинга должна охватить все аграрные регионы России, стоимость ДДЗ может сделать всю систему неоправданно дорогой. Поэтому при разработке системы мониторинга ставилась цель в максимальной степени использовать свободно распространяемые ДДЗ. В наилучшей степени указанным требованиям удовлетворяют данные наблюдений прибором MODIS, установленным на борту спутников Terra и Aqua. Съемочная система MODIS имеет спектральные каналы в красной и ближней ИК зонах с пространственным разрешением 250 м. Широкая полоса обзора при съемке указанной системой обеспечивает возможность наблюдения территории России с частотой не менее одного раза в сутки. Данные съемки свободно распространяются, доступен архив изображений с 2001 года. В качестве вспомогательного источника данных высокого пространственного разрешения были выбраны изображения Landsat-TM/ETM+. Большая площадь и пространственная распределенность пахотных земель практически исключают широкое применение на регулярной основе методов визуального дешифрирования спутниковых изображений. В силу большого объема поступающих ДДЗ необходимо обеспечение максимально высокого уровня автоматизации процессов обработки информации и минимального участия экспертов. При этом, в силу влияния облачного покрова и ряда других факторов, эффективное использование ДДЗ для тематического анализа 46

невозможно

без

предварительной

предварительной обработки

обработки

спутниковых

данных

данных.

Алгоритмы

должны

маскировать

непригодные для тематического анализа участки поверхности, например, закрытые

облаками.

Предварительная

обработка

должна

обеспечивать

построение безоблачных изображений на всю территорию мониторинга. Алгоритмы тематической обработки должны обеспечивать построение требуемых тематических карт, таких, например, как карты размещения посевов. Если при визуальном анализе эксперт может достаточно легко разделять различные тематические классы, то разработка автоматических алгоритмов в этой области достаточно сложна. Однако без автоматических алгоритмов практически

невозможно

проводить

тематический

анализ

данных

на

территории всех пахотных земель России. Также автоматические алгоритмы позволят получать объективные результаты и значительно сократить время обработки данных по сравнению с традиционным визуальным анализом, свести к минимуму необходимость в человеческих ресурсах. На основании вышеперечисленных требований была выбрана следующая структура системы мониторинга с.-х. земель (рис. 7): 1. Подсистема сбора спутниковых данных служит для получения, архивации и каталогизации необходимых ДДЗ. В силу большого объема ДДЗ эти процедуры должны быть автоматическими. В наибольшей степени пригодными для мониторинга пахотных земель были признаны данные следующих спутниковых систем: – данные

среднего

получаемые

пространственного

спутниковыми

системами

разрешения ДЗ

(250-500

Terra/Aqua-MODIS

м), и

способные обеспечить глобальное покрытие Земли в течение 1-2 дней. Съемка ведется в видимом и инфракрасном диапазонах спектра. Эти данные наиболее пригодны для оперативного наблюдения за развитием растительности; – данные высокого пространственного разрешения (15-30 м), получаемые системой Landsat-TM/ETM+. Эти данные не обеспечивают покрытие 47

территории пахотных земель с необходимой регулярностью, но имеющийся исторический архив снимков позволяет использовать эти данные в качестве дополнительных.

Рисунок 7 – Структурная схема системы спутникового мониторинга с.-х. земель 2. Подсистема предварительной обработки ДДЗ служит для подготовки данных

перед

их

тематической

обработкой.

Необходимым

элементом

подсистемы являются алгоритмы построения безоблачных композитных изображений. Также для обеспечения полной автоматизации процесса построения композитных изображений необходимо ПО, в котором были бы реализованы алгоритмы обработки. Такое ПО должно обеспечивать чтение данных из стандартных распространяемых форматов, построение композитов и запись результатов в наиболее удобные для последующей обработки форматы данных. Композитные изображения затем используются в подсистеме тематической обработки. Следует отметить, что получаемые на данном этапе композитные изображения могут быть использованы и в других приложениях ДЗЗ. 3. Подсистема тематической обработки ДДЗ необходима для создания, на основе полученных ранее композитных изображений, тематических продуктов. Эти тематические продукты могут быть следующими: данные о 48

пространственном размещении пахотных земель, данные о пространственном размещении посевов с.-х. культур, оценка состояния культур и прогноз их продуктивности и др. Ключевым элементом данного блока являются алгоритмы тематической обработки ДДЗ. Набор алгоритмов должен обеспечивать объективное, надежное распознавание выбранных тематических классов при минимальном участии экспертов. При этом алгоритмы должны обеспечивать получение надежных результатов на обширных территориях, различающихся по

климатическим

условиям,

ландшафту

и

другим

географическим

характеристикам. Также необходима разработка специализированного ПО, реализующего указанные алгоритмы. 4. Подсистема распространения результатов обработки необходима для обеспечения

доставки

пользователям.

Блок

выходных

продуктов

распространения

данных

данных

заинтересованным

должен

предоставлять

пользователю возможность через удобный интерфейс выбрать нужные продукты обработки ДДЗ и получить их с минимальными затратами времени. Особенностью распространяемых продуктов является большой объем данных, их различная тематическая структура. Система распространения должна обеспечить удобный доступ к композитным изображениям, полученным после предварительной обработки, тематическим картам, данным, характеризующим состояние объектов мониторинга. Должны быть обеспечены хранение, каталогизация результатов мониторинга, возможность их быстрого получения из архива. Наиболее удобным представляется механизм распространения по сети Интернет через веб-сайт с использованием графических пользовательских интерфейсов доступа к банку данных. При этом пользователь, имеющий специализированное ГИС ПО, должен иметь возможность загрузить данные в специализированном

формате.

А

пользователь,

не

имеющий

специализированного ГИС ПО, должен иметь возможность получить доступ к данным посредством картографического веб-интерфейса.

49

Выводы к первому разделу Мониторинг с.-х. земель является необходимым условием эффективного регулирования агропромышленного сектора экономики. При этом необходимо получение объективной и оперативной информация о землепользовании. В настоящее время в России создается национальная система мониторинга с.-х. земель, использующая ДДЗ в качестве одного из основных источников информации. Основными задачами системы являются: построение карты пахотных земель, ежегодное построение карт посевов с.-х. культур, мониторинг состояния культур, прогноз урожайности культур. Из доступных ДДЗ наибольший интерес, в применении к данной задаче, имеют данные среднего разрешения, позволяющие вести оперативный мониторинг большой территории и, в то же время, имеющие достаточное пространственное разрешение, а также ДДЗ высокого разрешения, необходимые для исследований на локальном уровне. Современные доступные ДДЗ отвечают необходимым требованиям по оперативности, доступности, стоимости, наличию спектральных каналов для мониторинга растительности. Однако использование ДДЗ для мониторинга обширной территории с.-х. земель России невозможно без разработки системы получения, обработки данных и распространения результатов. Система обработки должна включать в себя блок автоматических алгоритмов предварительной и тематической обработки данных, позволяющих без участия экспертов

получать

мониторинга.

информационные

Построение

продукты

автоматических

сельскохозяйственного

алгоритмов

предварительной

обработки ДДЗ позволит эффективно применять данные как для мониторинга с.-х. земель так и в других приложениях спутникового мониторинга Земли. Разработка алгоритмов тематической обработки необходима для выявления используемых пахотных земель, картографирования типов посевов с.-х. культур и мониторинга их состояния.

50

Раздел 2. Методы предварительной обработки данных MODIS для мониторинга сельскохозяйственных земель 2.1

Формирование

базы

данных

спутниковых

наблюдений

для

мониторинга сельскохозяйственных земель При выборе съемочной системы и разработке алгоритмов обработки ДДЗ для мониторинга с.-х. земель необходимо учитывать следующие факторы: – необходимость использования данных съемки в зонах спектра, в которых наилучшим образом различаются растительность и почвенный покров; – неполное проективное покрытие почвенного покрова растительностью на протяжении значительной части периода вегетации; – характерные размеры с.-х. солей, площадь которых в основных сельскохозяйственных регионах России составляет 50-200 га; – необходимость проведения мониторинга на обширной территории, лежащей в различных по климатическим условиям зонах; – относительно быстрая динамика развития с.-х. культур; – зависимость

динамики

развития

культур

от

проводимых

агротехнических мероприятий; – наличие определенных правил землепользования, таких, как севооборот; – значительные различия в динамике вегетации различных с.-х. культур; – различия в использовании пахотных земель в разных регионах. Эти факторы выдвигают следующие требования к съемочной системе и алгоритмам обработки ДДЗ: – наличие съемочных каналов в красной и ближней ИК зонах спектра; – пространственное разрешение съемки не ниже 250-300 м; – частота съемки не реже, чем одно безоблачное измерение в 5-10 дней; – независимость

алгоритмов

обработки

от

спектральных

свойств

подстилающего почвенного покрова; – универсальность алгоритмов обработки по отношению к различным климатическим условиям, методам агротехники; 51

– минимальное участие экспертов в процессе обработки данных. Съемочная система MODIS, установленная на борту спутников Terra и Aqua, в значительной мере удовлетворяет указанным требованиям, что и обусловило её выбор в качестве основного источника ДДЗ при разработке системы сельскохозяйственного мониторинга. В настоящее время доступны как текущие, так и архивные данные съемки (для Terra – с 2000 г., для Aqua – с 2002 г.) [58,59]. Однако при разработке алгоритмов мониторинга было решено использовать только данные TerraMODIS, так как для этой съемочной системы доступен ряд измерений за более длительный период времени, а использование данных с двух съемочных систем резко увеличивает объем обрабатываемых данных и создает необходимость проводить взаимную калибровку двух рядов измерений. Спутник

Terra

находится

на

круговой

околополярной

солнечно-

синхронной (пересекает экватор в 10:30 местного времени) орбите высотой 705 километров. Съемочная система MODIS выполняет съемку в 36 спектральных каналах видимого и инфракрасного диапазона длин волн с пространственным разрешением 250 м (в каналах 1-2), 500 м (в каналах 3-7) и 1 км (в каналах 8-36). Ширина полосы обзора составляет 2330 км. Такая полоса обзора позволяет получать данные в экваториальной области (широта менее 30°) с периодичностью 2 дня, а на широте территории России с частотой не менее одного наблюдения в сутки. Каналы съемки MODIS и их назначение представлены в таблице 3. Таблица 3 – Съемочные каналы MODIS № 1 2 3 4 5 6 7

Назначение Контуры облаков и земных объектов Свойства облаков и объектов суши

52

Диапазон, нм 620 – 670 841 – 876 459 – 479 545 – 565 1 230 – 1 250 1 628 – 1 652 2 105 – 2 155

Окончание таблицы 3 № Назначение Цвет океана, фитопланктон, 8 биогеохимия океана 9 10 11 12 13 14 15 16 Водяной пар 17 18 19 20 Температура облаков и поверхности Земли 21 22 23 24 Температура воздуха 25 Перистые облака, водяной пар 26 27 28 29 Свойства облаков 30 Озоновый слой 31 Температура облаков и поверхности Земли 32 33 Высота верхней границы облаков 34 35 36

Диапазон, нм 405 – 420 438 – 448 483 – 493 526 – 536 546 – 556 662 – 672 673 – 683 743 – 753 862 – 877 890 – 920 931 – 941 915 – 965 3 660 – 3 840 3 929 – 3 989 3 929 – 3 989 4 020 – 4 080 4 433 – 4 498 4 482 – 4 549 1 360 – 1 390 6 535 – 6 895 7 175 – 7 475 8 400 – 8 700 9 580 – 9 880 10 780 – 11 280 11 770 – 12 270 13 185 – 13 485 13 485 – 13 785 13 785 – 14 085 14 085 – 14 385

Данные MODIS широко используются в различных задачах наблюдения Земли [60,61,62,63,64,65]). Кроме высокого качества данных большую роль играет и их свободное распространение. Данные измерений могут быть получены на приемную станцию, либо доставлены по Интернет из одного из центров приема и распространения данных (DAAC), поддерживаемых Геологической службой США. Система DAAC обеспечивает распространение ДДЗ большого набора различных американских спутников. Данные MODIS в центрах приема доступны с небольшой задержкой (несколько дней) после 53

проведения спутниковой съемки. В центрах приема данные проходят несколько уровней предобработки и становятся более удобными для дальнейшего использования. Таким образом, если не требуется оперативность на уровне нескольких дней, то пользователю удобнее получать данные через DAAC, что не требует наличия собственной приемной станции. Также в DAAC доступны долговременные архивы данных спутниковой съемки [66]. После поступления данных в DAAC они проходят несколько уровней обработки. Результатом обработки является набор стандартных производных продуктов спутниковых данных с улучшенными свойствами. Этот набор продуктов может быть использован пользователем для решения конкретных задач

мониторинга.

Список

распространяемых

продуктов

приведен

в

приложении В. Наиболее «сырая» информация представлена в продуктах MOD09GQK, MOD09GHK, MOD09GST. Эти продукты выпускаются каждые сутки и содержат в себе все данные всех суточных наблюдений. Пользователь может

также

получить

более

обработанную

информацию,

например,

композитные безоблачные изображения (MOD09Q1, MOD09A1). Можно также получить данные вегетационных индексов (MOD13A1, MOD13A2, MOD13A3, MOD13Q1) и другие тематические продукты: температуру поверхности Земли, типы земного покрова, температурные аномалии, индекс листовой поверхности и др. Таким образом, пользователь может выбрать тот продукт, который в наибольшей степени отвечает его требованиям. Следует, однако, учесть, что в силу того, что для всей территории Земли применяются

одни

и

те

же

алгоритмы

обработки,

результаты

в

рассматриваемом регионе могут быть недостаточно высокого качества. Так стандартные композитные изображения

(MOD09Q1, MOD09A1) содержат

значительное число пикселов, закрытых облаками или снежным покровом, что затрудняет их использование для тематического мониторинга растительности. Во многих случаях более глубокая предварительная обработка спутниковых данных, облегчая их использование для многих тематических приложений, может существенного снижать эффективность или полностью исключать саму 54

возможность Поэтому

применения

пользователь

следовательно,

менее

некоторых

должен

специализированных

выбирать

искаженными

между

данными,

более

которые

алгоритмов. «сырыми»

ему

и,

придется

дообрабатывать самому, и готовыми продуктами более глубокого уровня предварительной обработки, качество которых в ряде случаев может быть посредственным. Все распространяемые продукты могут быть заказаны посредством универсального

веб-интерфейса

(http://edcimswww.cr.usgs.gov/pub/-

imswelcome/plain.html). Пользователь может выбрать каким образом данные будут ему доставлены: по Интернет или на кассетах DLT экспресс-почтой. Все

спутниковые

продукты

поставляются

в

равноплощадной

синусоидальной проекции [67]. Вся земная поверхность поделена на гранулы (tile) размером 10° по широте и около 10° по долготе, как представлено на рис. 8. Минимальной единицей заказа является файл, содержащий данные за период времени, соответствующий периодичности продукта, и покрывающие одну

гранулу

земной

поверхности.

Спутниковые

продукты

данных

географически привязаны с точностью около 150 м при наблюдении в надир, при погрешности совмещения данных съемки в различных каналах, не превышающей 100 м (для каналов 1-7) [62], что является достаточным для многих практических приложений. Подпиксельная точность географической привязки позволяет использовать указанные данные для анализа временных рядов спутниковых измерений на уровне отдельных пикселов. Файлы со спутниковыми продуктами записаны в специальном формате HDF-EOS, который может

быть прочитан

с помощью

(http://hdf.ncsa.uiuc.edu/).

55

специальной

библиотеки

Рисунок 8 – Покрытие гранулами (tile) данных MODIS территории Земли Для проведения сельскохозяйственного мониторинга были выбраны четыре

продукта

спутниковых

данных:

MOD09GQK,

MOD09GHK,

MODMGGAD, MOD09GST. Выбор именно этих продуктов был обусловлен следующими причинами. Эти продукты содержат в себе наиболее «сырые» данные измерений, что обеспечивает наибольший уровень гибкости при создании специализированных и регионально адаптированных алгоритмов предварительной и тематической обработки. Задержка в несколько дней при получении данных из DAAC не является критичной. Для мониторинга растительности в наибольшей степени подходят данные съемки в красной и ближней ИК зоне спектра. Одновременно следует заметить, что выполненный анализ стандартного продукта MOD09Q1 (композитные изображения с периодом восемь дней с информацией о съемке в 1-2 каналах) показал, что он не имеет необходимого качества фильтрации влияния облачности, а также содержит относительно высокий уровень зашумленных пикселов. Все вышесказанное и определило выбор в качестве исходных данных продукта MOD09GQK, содержащего ежедневную информацию о съемке в 1-2 каналах с пространственным разрешением 250 м. В силу необходимости разработки 56

алгоритмов

детектирования

облачности

также

был

выбран

продукт

MOD09GHK, содержащий данные наблюдений в каналах голубого (459-479 нм) и среднего инфракрасного (1 628-1 652 нм) диапазона спектра, эффективно используемых для детектирования облаков и снежного покрова. Продукт MODMGGAD содержит информацию о геометрических условиях наблюдения: азимутальном и зенитном углах местоположения спутника и Солнца в момент съемки. Все три вышеперечисленных продукта содержат информацию обо всех произведенных измерениях за одни сутки. Количество измерений для различных точек при этом может отличаться в зависимости от их удаленности от экватора. Таким образом, указанные выше продукты представляют собой не снимки в традиционном понимании, а набор измерений для каждого пиксела, сделанных за одни сутки. Продукт MOD09GST содержит служебную информацию, необходимую для корректного чтения продуктов MOD09GQK, MOD09GHK, MODMGGAD. Состав данных приведен в таблице 4. Архив указанных четырех продуктов за период 2002-2005гг. был заказан в USGS EROS DAAC (http://lpdaac.usgs.gov/main.asp). В настоящее время в архиве ИКИ РАН доступны данные на большую часть территории России, а именно на следующие гранулы: h19v02, h19v03, h20v02, h20v03, h20v04, h21v02, h21v03, h21v04, h22v02, h22v03, h23v03, h24v03, h25v03, h26v03, h26v04, h27v03, h27v04. Графически наполнение архива показано на рис. 9. Для удобной работы с данными в ИКИ РАН были созданы система хранения, осуществляющая каталогизацию и архивирование данных, и интерфейс заказа данных из каталога [68]. Общий объем данных исходных продуктов в архивированном виде составляет на данный момент более 12 Tб. Данные хранятся на кассетах DLT и на жестких дисках. Таким образом, обеспечивается приемлемая стоимость носителей информации и скорость получения данных из архива. Система хранения, созданная в ИКИ РАН, также осуществляет архивацию и каталогизацию продуктов, получаемых после предварительной обработки спутниковых данных. 57

Таблица 4 – Содержание продуктов данных MOD09GQK, MOD09GHK, MODMGGAD, MOD09GST Название

Название информационных слоев

Описание информационных слоев

MOD09GQK

250m Surface Reflectance Band 1 (620-670 nm) 250m Surface Reflectance Band 2 (841-876 nm) 250m Reflectance Band Quality Orbit and coverage Number of Observations MOD09GHK 500m Surface Reflectance Band 1 (620-670 nm) 500m Surface Reflectance Band 2 (841-876 nm) 500m Surface Reflectance Band 3 (459-479 nm) 500m Surface Reflectance Band 4 (545-565 nm) 500m Surface Reflectance Band 5 (1230-1250 nm) 500m Surface Reflectance Band 6 (1628-1652 nm) 500m Surface Reflectance Band 7 (2105-2155 nm) 500m Reflectance Band Quality Orbit and coverage Number of Observations MODMGGAD Solar Azimuth Solar Zenith Sensor Azimuth Sensor Zenith Range (ground-sensor) Geolocation Flags Number of Observations MOD09GST 1km Reflectance Data State QA Orbit and coverage Number of Observations

Измерения в канале 620-670 нм Измерения в канале 841-876 нм Информация о качестве данных Информация о формате данных Кол-во измерений сделанных за сутки Измерения в канале 620-670 нм Измерения в канале 841-876 нм Измерения в канале 459-479 нм Измерения в канале 545-565 нм Измерения в канале 1230-1250 нм Измерения в канале 1628-1652 нм Измерения в канале 2105-2155 нм Информация о качестве данных Информация о формате данных Кол-во измерений сделанных за сутки Азимутальный угол Солнца Зенитный угол Солнца Азимутальный угол прибора Зенитный угол прибора Расстояния от прибора до точки наблюдения Служебная информация Кол-во измерений сделанных за сутки Информация о качестве данных Информация о формате данных Кол-во измерений сделанных за сутки 58

Разреш ение, м 250

500

1 000

1 000

Рисунок 9 – Наличие данных MODIS в архиве ИКИ РАН Для контроля качества и визуальной оценки получаемых результатов сельскохозяйственного мониторинга по данным MODIS в ряде случаев были использованы выборочные многозональные изображения Landsat-TM/ETM+. Достаточно высокое пространственное разрешение указанных спутниковых изображений (30 м) позволяет уверенно опознавать с.-х. поля при проведении визуальной интерпретации. Изображения высокого разрешения были получены на сайте программы GLCF Университета Мэриленд (http://glcfapp.umiacs.umd.edu:8080/esdi/index.jsp). Для этих данных в ИКИ РАН также были созданы система хранения и каталогизации и веб-интерфейс доступа к данным. Для работы были отобраны снимки территории основных аграрных регионов России, сделанные в период с 1999 по 2002 гг. Всего было использовано более двухсот снимков Landsat-TM/ETM+.

59

2.2 Алгоритмы предварительной обработки данных MODIS Обеспечение возможности анализа динамики развития растительности по спутниковым данным сопряжено с необходимостью построения временных рядов измерений, очищенных от влияния ряда мешающих факторов, к числу которых, прежде всего, относятся облачный и снежный покровы. Одним из возможных путей получения такого рода улучшенных данных является построение композитных изображений, формируемых на основе множества наблюдений за выбранный интервал времени таким образом, что элементы изображения

заполняются

только

данными

безоблачных

измерений.

Построение композитных изображений, наряду с улучшением качества спутниковых данных, позволяет значительно сократить их объем на этапе тематической обработки. Следует отметить, что ориентированные на глобальное использование и используемые в центре обработки Геологической службы США алгоритмы построения композитных изображений не позволяют с достаточным уровнем качества детектировать «облачные» пикселы, что затрудняет

непосредственное

использование

стандартных

продуктов

спутниковых данных для проведения дальнейшего тематического анализа. Также при построении стандартных композитных изображений используются измерения, сделанные с зенитным углом визирования до 55°, пространственное разрешение таких измерений неприемлемо при мониторинге с.-х. полей. Это обстоятельство потребовало разработки алгоритма построения композитных изображений,

удовлетворяющего

требованиям

тематической

обработки

спутниковых данных для решения задач с.-х. мониторинга. Необходимо

заметить,

что

использование

данных

MODIS

для

организации регулярного мониторинга сопряжено с необходимостью обработки больших объемов исходной информации. Так, объем данных продуктов MOD09GQK, MOD09GHK, MODMMGAD, MOD09GST за одни сутки на одну гранулу составляет 300-600 Мб.

60

Детектирование облачного и снежного покровов возможно проводить по ДДЗ в оптическом диапазоне [69]. Облачный покров беспорядочно рассеивает солнечный свет и имеет высокие значения коэффициента спектральной яркости (КСЯ) во всем отражающем диапазоне спектра (0,3 – 3,0 мкм) [69]. Накоплен большой опыт создания алгоритмов для разделения облаков и открытой земной поверхности по ДДЗ съемочных системы AVHRR, Landsat и др. [70]. В зависимости от поставленной задачи возможно использовать пороговые методы для классификации или статистические методы классификации с обучением [70,71,72]. Для разделения облаков и земной поверхности наиболее целесообразно использовать КСЯ в самом коротковолновом диапазоне, так как в этом диапазоне любая растительность и обнаженные почвы имеют наиболее низкие КСЯ. Из семи каналов MODIS, съемка в которых ведется с разрешением 250500 метров, самый коротковолновый канал – третий (459-479 нм). Измерения именно в этом канале и были выбраны, как основные для разработки алгоритма детектирования облачности. Опыт детектирования облачного и снежного покровов на изображениях, полученных съемочной системой SPOT-Vegetation, показал эффективность применения пороговых методов классификации с использованием в качестве признаков измерений КСЯ в голубом и среднем ИК каналах [73]. Облака и снег можно различать в среднем инфракрасном диапазоне. В этом диапазоне отражательная способность облаков высокая, а снега – низкая [74]. Поэтому для разделения облаков и снега были выбраны измерения в шестом (среднем ИК) канале MODIS 1 628-1 652 нм. Съемочная система MODIS проводит съемки при зенитном угле наблюдения до 55º. Однако пространственное разрешение при съемке с большим зенитным углом наблюдения значительно хуже, чем при съемке в надир, и, следовательно, измерения, сделанные с большим зенитным углом наблюдения

имеют

пространственное

разрешение

характерного размера с.-х. полей. 61

значительно

больше

При съемке в надир размер минимального элемента земной поверхности, излучение от которого регистрируется датчиком, составляет 250х250 м. При увеличении зенитного угла наблюдения размер минимального элемента, излучение от которого регистрирует датчик, вдоль и поперек направления полета меняется различным образом. Если форма Земли принимается сферой фиксированного

радиуса,

то

размер

наблюдаемого

элемента

поперек

направления полета составляет: R ( L cosθ + A sin θ ) s, h ( R + h − L cosθ )

(1)

( R + h ) sin θ cosθ − R + h sin θ ; ( ) 2 2 2 R − ( R + h ) sin θ 2

где

A=

L = ( R + h ) cos θ − R 2 − ( R + h ) sin 2 θ – расстояние от спутника до точки 2

наблюдения на поверхности Земли; R – радиус Земли; h – высота спутника над поверхностью Земли; θ - зенитный угол наблюдения;

s – пространственное разрешение при съемке в надир. Размер наблюдаемого элемента вдоль направления полета составляет L s. h

(2)

На рис. 10 показано увеличение пространственного разрешения при увеличении зенитного угла наблюдения [75]. Важно выбирать для построения композитных изображений только измерения, сделанные с зенитным углом наблюдения не более заданного.

62

Рисунок 10 – Зависимость пространственного разрешения съемки MODIS от зенитного угла наблюдения Первый этап предварительной обработки данных MODIS заключается в создании ежедневных продуктов, которые отличаются от исходных только меньшим числом записанных измерений. На первом этапе из исходных спутниковых данных исключаются измерения, заведомо непригодные для тематического анализа. К таким измерениям были отнесены измерения, сделанные при зенитном угле наблюдения более 45º или зенитном угле Солнца более

80º.

Все

оставшиеся

измерения

записываются

в

продукты

TM_SIN_DS250, TM_SIN_DS500, TM_SIN_DS1000 и поступают в архив ИКИ РАН. Этот шаг позволяет уменьшить объем данных для последующей обработки приблизительно в два раза. Несмотря на то, что значительная часть измерений выбрасывается, это не оказывает значительного влияния на снижение качества дальнейших продуктов, так как отбрасываемые измерения практически непригодны для тематического анализа. Следующим этапом обработки

является

детектирование пикселов

облаков, снежного покрова и теней от облаков. Для этого используются данные измерений КСЯ в третьем (459 – 479 нм) и шестом (1 628 – 1 652 нм) каналах

63

MODIS. В алгоритме используется Нормализованный Разностный Индекс Снега (NDSI) [76], определяемый как

NDSI =

R3 − R6 , R3 + R6

(3)

где R3 – КСЯ в канале 459-479 нм; R6 – КСЯ в канале 1 628-1 652 нм. NDSI позволяет разделять пикселы облачного и снежного покровов. Для классификации облачности, снега и «чистой поверхности» использовался алгоритм, основанный на пороговых условиях. Каждый пиксел относился к одному из классов: «снег», «облачность», «полупрозрачная облачность», «чистая поверхность» в зависимости от измеренных КСЯ и NDSI (рис. 11): «снег», если R 3 ≥ 0,1 и NDSI ≥ 0, 4 ; «облачность», если R 3 ≥ 0,1 и −0, 2 ≤ NDSI ≤ 0, 4 ; «полупрозрачная облачность», если R 3 ≥ 0,1 и −0, 2 ≤ NDSI ≤ 0,5 ; «чистая поверхность», во всех остальных случаях. Выбор пороговых значений был определен после визуального анализа отдельных изображений, полученных съемочной системой MODIS.

Рисунок 11 – Выделение пикселов, соответствующих участкам «чистой поверхности» в двумерном пространстве R3-NDSI 64

В аналогичных работах [73,77] исследовалась возможность использовать измерения КСЯ в голубом и среднем ИК каналах съемочной системой SPOTVegetation для детектирования облачности и снежного покрова. На рис. 12 показаны найденные распределения значений КСЯ в голубом канале и значений

NDSI

по

данным

съемки

SPOT-Vegetation

для

различных

тематических классов [77]. В работе [73] использовались следующие пороговые значения: «снег», если R 3 ≥ 0,1 и NDSI ≥ 0,1 ; «облачность», R 3 ≥ 0,1 и −0,1 ≤ NDSI ≤ 0,1 ; «чистая поверхности», R 3 < 0,1 или NDSI < −0,1 .

Рисунок 12 – Распределение значений КСЯ в спектральном канале 430470 нм и значений NDSI по данным SPOT-Vegetation для различных тематических классов Различия в пороговых значениях объясняются тем, что используемые каналы голубого и среднего ИК каналов съемочных систем MODIS и SPOTVegetation имеют несколько разные диапазоны чувствительности. Так, 65

соответствующие каналам 459-479 нм и 1 628-1 652 нм съемочной системы MODIS,

спектральные каналы SPOT-Vegetation регистрируют излучение в

диапазонах 430-470 нм и 1 580-1 750 нм соответственно. Отдельную сложность представляет собой детектирование пикселов частично закрытых облачностью/снегом. При использовании описанных выше пороговых алгоритмов такие пикселы могут быть ошибочно отнесены к классу «чистая поверхность». Так как такие пикселы обычно лежат на границе облачного/снежного покрова, то был принят следующий подход. Все пикселы, граничные

с

пикселами

«облачность»

(«снег»),

маркируются

как

принадлежащие к классу «облачность» («снег»). То есть производится расширение маски облачности (снега) на один пиксел (размером 500х500 м) во всех направлениях. Также целесообразно выявить участки теней от облаков. Одним из путей решения этой задачи является оценка потенциальных участков теней от облаков на основе данных о геометрических условиях съемки. В случае, если известна высота облаков, можно рассчитать местоположение соответствующих им теней, используя данные об углах наблюдения и углах Солнца следующим образом. Пусть данный пиксел был отнесен к классу «облачность». Введем прямоугольную декартову систему координат с началом в этом пикселе с осью

Ox направленной на север и осью Oy направленной на восток. Тогда радиусвектор смещения тени на изображении относительно пиксела «облачности» задается в этой системе следующими координатами:

x = H ( cos(ψ ) tg(θ ) − cos( β ) tg(δ ) ) y = H ( sin(ψ ) tg(θ ) − sin( β ) tg(δ ) ) где ψ – азимутальный угол наблюдения;

θ – зенитный угол наблюдения; β – азимутальный угол Солнца;

δ – зенитный угол Солнца; H – высота облачности. 66

,

(4)

Пиксел, который находится по данному радиус-вектору, относится к классу «тень» (рис. 13).

Рисунок 13 – Схема детектирования теней от облачности Получение данных о высоте облаков в настоящее время не представляется возможным, поэтому для расчетов фактически использовался максимально возможный диапазон высоты облачности (0-8 км) для гарантированного, хотя и заведомо избыточного, детектирования теней. Зона тени от облачности рассчитывалась попиксельно. В силу того, что часто облачные пикселы ошибочно попадают в класс «снег», зона теней строится и от класса «облачность», и от класса «снег». Получающаяся зона облачности избыточна, но гарантированно содержит все затененные пикселы. Таким

образом

TM_SIN_DS_MASK250, измерения

продуктов

создаются

два

TM_SIN_DS_MASK500, TM_SIN_DS250,

ежедневных которые

TM_SIN_DS500

продукта: для

каждого

соответственно

содержат код принадлежности к одному из вышеуказанных классов. В дальнейшем

для

построения

безоблачных

композитов

продукты

TM_SIN_DS_MASK250, TM_SIN_DS_MASK500 используются как готовые маски «чистой поверхности».

67

Для формирования композитного изображения за выбранный период времени применялась следующая процедура. За рассматриваемый период времени выбирались все измерения, отнесенные к «чистой поверхности», и из них выбиралось измерение, сделанное с минимальным зенитным углом наблюдения. Если за рассматриваемый период не было ни одного измерения «чистая поверхность», то записывается код «нет данных». Таким образом формируется семейство продуктов TM_SIN_XDCY (Terra-MODIS Surface reflectance Sinusoidal projection X-day long Y-meter resolution Composite image), где Х – число дней наблюдений (которое может быть произвольным), используемых для формирования композита, Y – пространственное разрешение, которое может быть равным 250 или 500 м. Эти продукты также поступают в систему хранения ИКИ РАН. При рассмотрении временного ряда композитных изображений в ряду значений КСЯ данного пиксела могут встречаться однократные аномальные выбросы, обусловленные различиями условий освещения и наблюдения, остаточным влиянием облаков, снега или теней. Для фильтрации таких выбросов используется трехточечный медианный фильтр [78]. В качестве временного ряда используется ряд значений КСЯ для каждого пиксела за один год. Медианный фильтр применяется независимо для фильтрации выбросов в красном и ближнем ИК каналах. Для формирования измерений на концах ряда использовалась процедура Тьюки [78]. Пример временного ряда до и после применения медианного фильтра показан на рис. 14.

68

Рисунок 14 – Годовой ход кривой КСЯ в ближнем ИК канале до медианной фильтрации (красным) и после медианной фильтрации (синим) Полученные после медианной фильтрации композитные изображения образуют семейство, которое далее будем называть TM_SIN_XDCYMED (TerraMODIS Surface reflectance Sinusoidal projection X-day long Y-meter resolution Median filtered Composite image), где Х, Y имеют тот же смысл, что и выше. Продукты TM_SIN_XDCYMED занимают меньший объем по сравнению с данными ежедневных наблюдений и принципиально более удобны для тематической обработки. Каждый файл содержит только «хорошие» измерения, то есть отсутствуют резкие аномальные выбросы, что повышает уровень его пригодности для использования как в автоматических алгоритмах обработки, так и при проведении визуального анализа спутниковых изображений. В настоящее время для мониторинга пахотных земель наибольшее практическое применение нашли композитные изображения, собранные за восьмидневный период наблюдений. Для мониторинга с.-х. растительности использовался продукт TM_SIN_8DC250MED. Продукты TM_SIN_XDCYMED могут быть также использованы и для построения композитных изображений за более длительные периоды времени. Это позволяет ещё более снизить зашумленность и повысить качество 69

изображений. При этом могут применяться алгоритмы, использующие в качестве исходных данных только продукты TM_SIN_XDCYMED. Был использован следующий алгоритм для построения композитов за большие периоды времени. Чтобы построить композитное изображение, вычисляется медиана значений КСЯ для данного пиксела из множества значений композитов TM_SIN_XDCYMED за рассматриваемый период. Таким образом, для построения композитных изображений за большие периоды времени нет необходимости обработки больших массивов данных ежедневных наблюдений, а достаточно использовать композиты TM_SIN_XDCYMED, предварительно собранные с периодом в несколько дней. Разработанное ПО позволяет варьировать параметры алгоритма для построения

композитных

изображений,

необходимых

в

конкретном

приложении. Так, например, можно изменять пороги для классификации пикселов, высоту облачности, период, за который собираются композитные изображения, ширину окна медианного фильтра. В настоящее время в ИКИ РАН создан банк данных композитных изображений TM_SIN_8DC250MED и TM_SIN_8DC500MED, покрывающий ту же территорию, что и банк данных исходных продуктов MOD09GQK, MOD09GHK, MODMGGAD, MOD09GST (cм. рис. 9). Существующее ПО позволяет строить композитные изображения с заданными параметрами для любого региона, который покрыт данными исходных продуктов. На рис. 15 приведено изображение, сформированное по данным съемки за полтора месяца на территорию России, синтезированное по результатам наблюдений в красном, ближнем ИК и среднем ИК каналах MODIS. Для

решения

задач

мониторинга

растительности

традиционно

используются различные ВИ. Как отмечалось в первом разделе, различные индексы имеют свои достоинства и недостатки. При мониторинге с.-х. культур большую роль играет то, как ВИ ведет себя при неполном проективном покрытии растительностью. Так как большую часть времени с.-х. культуры не полностью закрывают подстилающую почву, а яркостные свойства почв сильно 70

варьируются в зависимости от их типа, то фактор зависимости ВИ от почв становится исключительно важным. Поэтому для мониторинга пахотных земель

был

выбран

перпендикулярный

вегетационный

индекс

(PVI),

обладающий свойствами независимости от отражательных свойств почвенного покрова. Указанный индекс в литературе также часто именуется как «зеленость» (greenness) [79]. Индекс PVI рассчитывается как расстояние от заданной точки до линии почв, измеряемое в двумерном пространстве значений КСЯ в красном и ближнем ИК диапазонах спектра (рис. 16). Выражение для линии почв:

R 2 = 1, 47 * R1 + 0,01 ,

(5)

где R1 – КСЯ в канале 620 – 670 нм; R2 – КСЯ в канале 841 – 876 нм, было получено экспериментально по данным спектрального отражения обнаженной почвы различного уровня яркости. При этом стандартная ошибка коэффициента при R1 составила 0,06, а свободного члена – 0,01. Таким образом, выражение для расчета значений индекса PVI имеет следующий вид

PVI = −0,83* R1 + 0,56 * R 2 − 0,005 .

(6)

Для каждого продукта TM_SIN_8DC250MED по приведенной формуле был рассчитан PVI, полученные значения были записаны в продукт TM_SIN_PVI8DC250MED.

71

Рисунок 15 – Композитное изображение Terra-MODIS за июль-август 2004 г., цветовой синтез: красный – канал 1 628-1 652 нм, синий – канал 620-670 нм, зеленый – канал 841-876 нм

72

Рисунок 16 – Схема вычисления индекса PVI по КСЯ в красном (R1) и ближнем ИК (R2) диапазонах спектра

2.3 Анализ результатов использования алгоритмов предварительной обработки данных MODIS Важной задачей предварительной обработки является оценка качества полученных композитных изображений. Было проведено сравнение продуктов, полученных после предварительной обработки в ИКИ РАН, с продуктами, распространяемыми USGS. Сравнение проводилось с масками облачности, содержащимися в продуктах MOD09GQK, MOD09HK, а также с продуктами MOD09Q1, MOD09A1 – композитными изображениями, собранными за период продолжительностью восемь дней. В продуктах MOD09GQK и MOD09GHK имеется слой с информацией о наличии облаков/снега. Этот слой был сравнен с масками облачного и снежного

покровов

продуктов

TM_SIN_DS_MASK250

и

TM_SIN_DS_MASK500. В целом было отмечено, что маски облачности продуктов MOD09GQK и MOD09GHK пропускают немного больше облачного покрова

и

значительно

больше

снежного

покрова

по

сравнению

TM_SIN_DS_MASK250 и TM_SIN_DS_MASK500. В то же время, продукты 73

TM_SIN_DS_MASK250 и TM_SIN_DS_MASK500 избыточно маскируют тени. На рис. 17 приведен пример сравнения стандартной маски облачности MOD09GQK и маски TM_SIN_DS_MASK250. Видно, что маски практически не различаются. На рис. 18 также показан пример сравнения стандартной маски облачности MOD09GQK и маски TM_SIN_DS_MASK250, но здесь видно, что стандартная маска MOD09GQK не включает фрагмент покрытой снегом поверхности. Было проведено сравнение композитных изображений MOD09Q1, MOD09A1 и TM_SIN_8DC250MED, TM_SIN_8DC500MED. Композитные изображения

имеют

примерно

одинаковое

качество,

но

в

продуктах

TM_SIN_8DC250MED и TM_SIN_8DC500MED более строго отфильтрованы сбойные пикселы. При этом эти продукты несут в себе несколько меньше измерений, оставляя только гарантированно незашумленные пикселы по сравнению с стандартными масками облачности MOD09GHK. Анализ набора композитных изображений на гранулу h20v03 за 2005 г. показал, что в среднем композитные изображения TM_SIN_DS_MASK250 содержат на 20 % меньше пикселов класса «чистая поверхность», чем композитные изображения MOD09GQK.

74

а)

б)

в)

а) исходное изображение MODIS (продукт MOD09GQK за 1 сентября 2006 г., фрагмент Ростовской области) б) Стандартная маска облачности /снега MOD09GQK (желтым цветом) в) Маска облачности/снега TM_SIN_DS_MASK250 (желтым цветом)

Рисунок

17

–

Иллюстрация,

отражающая

сравнение

результатов

предварительной обработки данных MODIS с использованием разработанного и стандартного алгоритмов 75

а)

б)

в) а) Исходное спутниковое изображение (продукт MOD09GQK за 1 ноября 2006 г., фрагмент Краснодарского края) б) Стандартная маска облачности/снега MOD09GQK (желтым цветом) в) Маска облачности/снега TM_SIN_DS_MASK250 (желтым цветом)

Рисунок

18

–

Иллюстрация,

отражающая

сравнение

результатов

предварительной обработки данных MODIS с использованием разработанного и стандартного алгоритмов 76

На рис. 19 приведено композитное изображение, построенное по данным продуктов MOD09Q1, MOD09A1, и композитное изображение, построенное по данным продуктов TM_SIN_8DC250MED, TM_SIN_8DC500MED. Изображения покрывают одну территорию и построены за одинаковый промежуток времени. Особенностью изображений, сделанных по представленному методу, является большая однородность и меньшая зашумленность. Так как в разработанном методе построения композитных изображений критерием выбора измерения из нескольких является минимальный зенитный угол наблюдения, то построенные композитные изображения несут в себе измерения сделанные с зенитным углом наблюдения в среднем меньше, чем измерения в композитных

изображениях

MOD09Q1.

Анализ

набора

композитных

изображений на гранулу h20v03 за 2005 г. показал, что средний зенитный угол наблюдений в стандартных композитных изображениях MOD09Q1 составляет 27°, а в композитных изображений TM_SIN_8DC250MED только 18° и, в соответствии с формулой (1) композитные изображения TM_SIN_8DC250MED имеют в среднем на 15 % лучшее пространственное разрешение (поперек направления полета), чем композитные изображения MOD09Q1. Так как при дальнейшей тематической обработке используется анализ временных рядов измерений, особую важность приобретает сравнение временных рядов КСЯ, построенных по данным различных композитных изображений.

Временные

ряды

КСЯ,

построенные

по

композитным

изображениям TM_SIN_8DC250MED и TM_SIN_8DC500MED в меньшей степени зашумлены, не имеют аномальных «выбросов» и, таким образом, пригодны для последующего тематического анализа (рис. 20). Важной характеристикой получаемых композитных изображений является количество измерений, отнесенных к классу «чистая поверхность» в течение года. На рис. 21 показано количество таких измерений по данным продукта TM_SIN_8DC250MED

за

один

год.

Количество 77

«чистых»

измерений

максимально для южных регионов и уменьшается при переходе к более высоким широтам.

а)

б)

Рисунок 19 – Сравнение композитных изображений MOD09Q1 (а) и TM_SIN8DC250MED (б). Цветовой синтез: красный – канал 1 628-1 652 нм, синий – канал 620-670 нм, зеленый – канал 841-876 нм. Черным цветом показаны участки без измерений Представленный алгоритм построения композитных изображений может быть улучшен различными способами. Перспективным является улучшение алгоритма детектирования теней, так как в настоящее время алгоритм относит к классу «тень» избыточное количество пикселов. Возможные усовершенствования могут включать: улучшение разделимости снежного и облачного покрова, уточнение высоты облачного покрова по данным яркости в спектральных каналах участков

температурного теней

на

диапазона

основе

электромагнитных

пространственного

детектирования облаков. 78

волн,

анализа

выявление результатов

КСЯ

MOD09Q1

0,35

TM_SIN_8DC250MED

0,30 0,25 0,20 0,15 0,10 0,05

t 20 03

20 02

20 02

нв ар ь

а)

Я

рь оя б Н

Де ка бр ь

20 02

О кт

С

яб рь

ь

20 02

20 02

Ав гу

ен тя бр

ст

20 02 И

М

И ю

ю ль

нь

20 02

20 02 ай

20 02

Ап ре ль

20 02 ар т

М

Ф

Я

нв ар ь

ев ра ль

20 02

20 02

0,00

КСЯ

MOD09Q1

0,70

TM_SIN_8DC250MED 0,60 0,50 0,40 0,30 0,20 0,10 t 03 20 нв ар ь Я

ь Де ка бр

рь оя б Н

20 02

2 20 0

02 20 ь

20 02 ь тя бр

ен С

О кт яб р

2 20 0

Ав гу ст

ю ль И

ю нь И

20 0

20 0

2

2

2 М

ай

20 0

20 02

Ап ре л

ь

2 20 0

М ар т

ь ра л ев Ф

Я

нв ар ь

20

20 0

02

2

0,00

б)

Рисунок 20 – Сравнение рядов КСЯ в красном (а) и ближнем ИК (б) каналах MODIS, полученных по продуктам MOD09Q1 и TM_SIN_8DC250MED за год

79

Рисунок 21 – Доля измерений, отнесенных к классу «чистая поверхность», за 2005 год по композитным изображениям TM_SIN_8DC250MED

Для минимизации ошибок отделения пикселов открытой поверхности от пикселов, закрытых облаками или снежным покровом, возможен подбор порогов классификации в каждом пикселе в соответствии с характерной яркостью

конкретной

перспективным

анализ

подстилающей временного

ряда

поверхности. ежедневных

Представляется наблюдений

для

детектирования пикселов облаков и снега, как резко выделяющихся на фоне остальных измерений. Возможно дополнительное использование измерений в красном и ближнем инфракрасном каналах, которые, будучи в меньшей степени предназначенными для наблюдений за облаками, потенциально могут позволить выявлять более мелкие участки облаков за счет более высокого пространственного разрешения по сравнению с данными съемки в голубом и среднем инфракрасном каналах. Полученные

композитные

изображения

могут

использоваться

в

различных тематических приложениях, связанных не только с мониторингом с.-х. земель, но и с картографированием растительного покрова, оценкой 80

динамики лесных экосистем и др. При этом существенно различаются и требования

к

максимально

допустимой

продолжительности

периода

спутниковых наблюдений для формирования композитных изображений, которая может составлять от нескольких дней до нескольких месяцев. Так, для создания новой карты растительности Северной Евразии в ИКИ РАН используются сезонные (весна, лето, осень) и помесячные композитные изображения

Terra-MODIS

[80].

Низкая

зашумленность

и

высокое

пространственное разрешение таких композитных изображений позволяют достигать

достаточно

высокого

уровня

точности

классификации

растительности при использовании стандартных методов кластерного анализа изображений.

Выводы к второму разделу ДДЗ, получаемые съемочной системой MODIS, подходят для решения задач мониторинга с.-х. земель. В ИКИ РАН была создана система хранения данных MODIS и сформирован архив покрывающий всю зону земледелия России за период 2002-2005 гг. Стандартные продукты спутниковых данных, распространяемые USGS, такие, как безоблачные композитные изображения, имеют недостаточно высокое качество для использования их при анализе временных рядов, так как содержат значительное количество измерений, зашумленных вследствие влияния облачного или снежного покрова. В то же время, безоблачные композитные изображения являются основой для различных тематических приложений, связанных с картографированием растительного покрова, мониторингом с.-х. земель, мониторингом динамики лесных экосистем. Для различных тематических приложений существенно различаются и требования к максимально допустимой продолжительности периода

спутниковых

наблюдений

для

формирования

композитных

изображений, который может составлять от нескольких дней до нескольких 81

месяцев. Были разработаны алгоритмы предварительной обработки данных, позволившие создать композитные изображения, свободные от облачного и снежного покровов, теней от облаков и других непригодных для анализа измерений. Такие композитные изображения могут быть построены по данным измерений за любой необходимый период времени. Анализ построенных композитных изображений показал, что они практически не содержат пикселов закрытых облачным или снежным покровом и могут использоваться для построения и анализа временных рядов измерений КСЯ для отдельных пикселов.

Измерения

в

построенных

композитных

изображениях

TM_SIN_8DC250MED сделаны с пространственным разрешением в среднем на 15 % лучшим, чем в стандартных композитных изображениях MOD09Q1.

82

Раздел 3. Методы классификации некоторых типов сельскохозяйственных посевов по спутниковым данным MODIS 3.1 Предварительная классификация типов земного покрова в интересах сельскохозяйственного мониторинга Первым необходимым шагом для мониторинга пахотных земель является построение маски территорий заведомо неиспользуемых под посевы. При построении такой маски, кроме непосредственно данных MODIS, могут использоваться различные вспомогательные картографические данные. Был разработан набор алгоритмов для детектирования нескольких типов земного покрова несельскохозяйственных земель. Построенная маска ограничивает территорию мониторинга и облегчает разработку алгоритмов мониторинга непосредственно пахотных земель. Полученная маска заведомо несельскохозяйственных земель включает в себя следующие классы: «хвойные леса», «лиственные леса», «болота», «солончаки», «открытые пески», «лишенные растительности земли», «водные объекты»,

«крупные

населенные

пункты»,

«овражно-балочная

сеть»,

«высокогорные территории», «овраги», «удаленные территории», «плавни». Алгоритмы картографирования этих объектов в настоящее время основываются на пороговых методах классификации и требуют на определенных этапах участия эксперта. Однако, будучи выполненным для заданного региона, этот этап обработки спутниковых данных не требует регулярного повторения, а его результаты

могут

быть

использованы

достаточно

продолжительное,

измеряемое несколькими годами, время. Все использованные алгоритмы для предварительной классификации типов земного покрова разработаны автором и основываются на общих, эмпирически найденных свойствах динамики вегетационного развития различных типов растительности. Для

построения

маски

заведомо

несельскохозяйственных

привлекались дополнительные данные из следующих источников: 83

земель

– цифровая модель рельефа (DEM) GTOPO30 с пространственным разрешением

30′′

(http://edc.usgs.gov/products/elevation/gtopo30/-

gtopo30.html); – топографическая основа DCW масштаба 1:1000000 (www.maproom.psu.edu/dcw); – результаты детектированния ночных огней по данным прибора DMSP (http://www.ngdc.noaa.gov/dmsp/index.html). Выделенные классы земного покрова можно разделить на три группы в зависимости от использованных данных для их построения: 1. Классы, построенные по вспомогательным данным (то есть без использования данных MODIS). Такие классы построены один раз и не предполагают обновления. Эти классы: «крупные населенные пункты», «удаленные территории», «высокогорные территории», «овраги». 2. Классы, построенные с использованием данных MODIS, полученных за один

год

наблюдений.

При

этом

использовались

композитные

изображения, собранные с периодом восемь дней (восьмидневные). Такие классы могут обновляться ежегодно. Эти классы: «овражно-балочная сеть», «водные объекты», «солончаки», «открытые пески», «хвойные леса», «лиственные леса», «плавни», «болота». 3. Класс, построенный с использованием данных MODIS, полученных по многолетним сериям наблюдений. К этому классу относятся «лишенные растительности земли». Класс «крупные населенные пункты» был построен с использованием результатов детектированных ночных огней по данным прибора DMSP. Класс «удаленные территории» включает в себя все точки, удаленные от ближайшего населенного пункта более, чем на 25 км. При этом использовался набор населенных пунктов векторной карты DCW.

84

Класс «высокогорные территории» был построен также на основе данных DEM. К этому классу были отнесены все пикселы с высотой над уровнем моря более 1000 м. Класс «овраги» был построен на основе данных DEM. По данным цифровой модели рельефа была рассчитана крутизна склонов в каждом пикселе, после чего пикселы с крутизной склона более 5o были отнесены к классу «овраги». Класс «овражно-балочная сеть» был построен на основе анализа данных DEM и данных MODIS. Для каждой точки была посчитана высота относительно уровня окружающей поверхности

∆h = H 0 − H ,

(7)

где H – высота данного пиксела;

H 0 – уровень окружающей поверхности. Величина H 0 вычислялась как средняя высота в окне 10х10 км с центром в данном пикселе. Также был подсчитан параметр, характеризующий объем фитомассы в данном пикселе по сравнению с окружающей поверхностью. Для данного пиксела вычислялся параметр

1 P= N

N

∑ pvi , i =1

i

(8)

где pvii , i = 1, 2,… , N – набор измерений для данного пиксела за период с 1 мая по 1 октября текущего года; N – число таких измерений. Пусть P0 – среднее значение P в окне 15х15 км с центром в данном пикселе. Тогда вычислим отклонение в данном пикселе

∆P = P0 − P .

85

(9)

Пиксел относился к классу «овражно-балочная сеть», если для него выполнялись условия

∆P > 0,1 и ∆h > 10 м и ∆h > 0,1* H 0 .

(10)

Таким образом, в класс «овражно-балочная сеть» попадают пикселы, лежащие ниже окружающей их территории и имеющие достаточно активную растительность. Здесь и далее будем обозначать для данного пиксела: N – число композитных изображений за год (для композитных изображений, собранных с периодом восемь дней, N=46);

mRi – медиана измерений КСЯ в i − ом канале MODIS за некоторый период времени (если специально не указано другое, то в качестве периода подразумевается один календарный год); H – высота над уровнем моря по данным DEM;

pvi i – значение PVI в i-ом композитном изображении от начала года. «Водные объекты». Введем обозначение Rii – значение КСЯ в j-ом канале MODIS в i-ом композите от начала года. Для детектирования водных объектов использовался признак

1 v= N

N

∑a , i =1

i

(11)

где ai = 1 , если R1i < 0,1 и R2i < 0,1 ;

ai = 0 , иначе. Пиксел относится к «водным объектам» если v > 0,1 и mR1 < 0,03 и

mR2 < 0,04 . То есть к «водным объектам» относятся пикселы, на протяжении всего года имеющие низкие значения КСЯ.

86

«Солончаки». Пиксел относится к классу, если mR1 > 0,18 и mR2 > 0, 20 . Таким образом, к солончакам относятся наиболее яркие объекты. «Открытые пески». Пиксел относится к классу, если mR1 > 0,14 и

mR2 > 0, 25 . «Хвойные леса». Пиксел относится к классу, если mR1 < 0,06

и

mR2 > 0,18 , дисперсия PVI за год меньше 0,009 и H < 500 м . «Лиственные леса». Пиксел относится к классу, если mR1 < 0,06 ,

mR2 > 0,30 и H > 10 м . «Плавни». Пиксел относится к классу, если mR1 < 0,08 , mR2 > 0, 20 и

H < 0 м. «Болота». Маска болот была построена с помощью кластерного анализа набора композитных изображений MODIS, собранных за период в один месяц. Для кластерного анализа использовались композитные изображения, собранные за апрель и июль. После неконтролируемой классификации, были отобраны кластеры, соответствующие болотам по спектральным характеристикам. «Лишенные растительности земли». Рассмотрим признак

pvi p =

1 N

N

∑ pvi i =1

2 i

.

(12)

Пиксел относится к классу, если в текущем и в предыдущем году

pvi p < 0,06 . Необходимость использования двух лет наблюдений связана с тем, что с.-х. поля могут оставаться один год в чистом от посевов состоянии (под паром), и при использовании данных только за один год такие поля будут ошибочно относиться к классу «лишенные растительности». В силу того, что два года подряд поля под паром не оставляют, были использованы именно два последовательных года наблюдений.

87

Фрагмент изображения с результатами классификации несельскохозяйственных земель представлен на рис. 22.

Рисунок 22 – Фрагмент изображения с результатами классификации несельскохозяйственных земель на территории Чувашской республики и республики Татарстан Маска несельскохозяйственных земель была построена для всей территории мониторинга с.-х. земель. Все пикселы, не вошедшие ни в один из описанных выше классов, в дальнейшем рассматривались как потенциальные с.-х. поля. Таким образом удалось построить маску, которая в дальнейшем использовалась как базовая для других масок с.-х. растительности, что позволило значительно упростить последующие алгоритмы детектирования отдельных культур и пахотных земель. 88

3.2 Анализ характеристик объектов наблюдения при дистанционном зондировании сельскохозяйственных земель В создаваемой системе мониторинга с.-х. земель особое внимание уделяется мониторингу регионов юга России, как наиболее важных в отношении аграрного производства. В качестве первого региона мониторинга была выбрана Ростовская область. Выбор данного региона был сделан в силу наличия в Ростовской области наиболее благоприятных условий для развития растениеводства. Ростовская область занимает третье место среди субъектов РФ по оценке сельскохозяйственного потенциала климата [81]. На рис. 23 показана структура использования пахотных земель в Ростовской области в 2003 г. Характерные размеры полей составляют 50-150 га. Наибольшую экономическую

значимость

представляют

собой

зерновые

культуры,

подсолнечник, поэтому именно на эти культуры были направлены усилия по мониторингу с использованием ДДЗ. Важной задачей системы мониторинга является также контроль соблюдения правил севооборота. В эту задачу входит контроль правильного чередования культур и парования полей. остальное; 564 чистый пар; 1299 кормовые; 424

яровой ячмень; 941

озимая пшеница; 1040

другие озимые; 24

подсолнечник на зерно; 1086

Рисунок 23 – Структура пахотных земель в Ростовской области в 2003 г. (тыс. га)

89

Для разработки алгоритмов тематической обработки были проведены исследования отражательных свойств различных с.-х. культур по данным наблюдений

MODIS.

Также

была

проведена

оценка

возможности

использования разрабатываемых тематических алгоритмов детектирования культур. Исследования были направлены на определение возможностей детектирования по спутниковым данным основных культур Ростовской области (озимая пшеница и подсолнечник), а также чистого пара. Обычно для выделения посевов используются измерения спектральных характеристик или значения ВИ. При этом используются измерения в периоды времени, когда исследуемый класс в наибольшей степени отличается от остальной растительности. Такого рода подход традиционен при использовании одиночных спутниковых изображений [20]. В работах [31,32] используются временные ряды наблюдений MODIS для детектирования посевов риса в Китае и юго-восточной Азии. Подход включает в себя использование композитных изображений вегетационных индексов (NDVI, EVI и др.) и набор алгоритмов пороговой классификации для разделения пикселов на классы: «вода», «вечнозеленые леса», «леса», «вечнозеленая растительность», «рисовые поля». При разработке алгоритмов классификации для отделения с.-х. культур в Ростовской области было принято решение использовать аналогичный подход. Первым шагом при разработке классификации является выбор набора признаков и оценка разделимости различных классов по этим признакам. Для каждого из классов «озимые культуры», «подсолнечник», «чистый пар» исследовался вопрос о выборе оптимальных сроков наблюдения и выборе классифицирующих признаков. Для этого были получены данные от сельхозпредприятия (СПК «Приморский»), расположенного в Азовском районе Ростовской области об использовании посевных площадей. Эти данные представляют собой информацию о типах с.-х. культур на каждом поле в период 2001-2004 гг., а также картосхему расположения полей. Эти данные, 90

совместно с данными спутниковых наблюдений MODIS, позволили получить спектральные портреты различных культур. На рис. 24 представлен график развития озимой пшеницы в 2001, 2002, 2003 годах. Видно, что в 2003 году рост значений ВИ начинается значительно позже, чем в 2001-го и 2002-го годах, и кривая значений ВИ имеет заметно меньший максимум. Во второй половине вегетационного периода (ВП) наблюдается второй максимум ВИ. Это, по-видимому, связано с плохими условиями перезимовки 2002/2003 г., в результате чего развитие культур было более поздним, а значительная часть посевов погибла. Второй максимум ВИ вызван весенним пересевом яровыми культурами площадей под погибшими озимыми посевами.

PVI

winter wheat

0,35

2001 2002 2003

0,30 0,25 0,20 0,15 0,10 0,05 0,00 01.янв 31.янв 03.мар 02.апр 03.май 02.июн 03.июл 02.авг

02.сен

02.окт

02.ноя 02.дек t

Рисунок 24 – Динамика PVI для полей озимой пшеницы, засеянных в осенний период предыдущего года На рис. 25 показаны значения PVI для полей, которые текущей осенью засеяны озимыми и дадут урожай в следующем году. Видно, что ВИ имеет минимум в сентябре-октябре, а затем в ноябре-декабре возрастает. Рост ВИ 91

вызван появлением первых всходов озимой пшеницы и их развитием до стадии кущения. Весной вегетация возобновляется, при этом, в зависимости от условий перезимовки, ВИ может значительно уменьшиться по сравнению со значением до ухода под снежный покров. На рис. 26 показано развитие посевов озимой пшеницы в весенне-летний период в пространстве КСЯ в красном и ближнем ИК диапазонах.

PVI 0,30

2001 2002 2003

0,25

0,20

0,15

0,10

0,05

0,00 01.янв

31.янв

03.мар

02.апр

03.май 02.июн 03.июл

02.авг

02.сен

02.окт

02.ноя

02.дек

t

Рисунок 25 – Динамика PVI для полей, засеянных в текущем году озимой пшеницей Анализ поведения индекса PVI для полей озимых пшеницы в период вегетации показывает, что во все годы наблюдений PVI имеет низкие значения осенью в период сева, затем в ноябре-декабре наблюдается рост PVI, указывающий на развитие озимой пшеницы (см. рис. 25). В зимний период заметных изменения PVI не наблюдается, а начиная с марта-апреля озимые культуры быстро увеличивают фитомассу, что проявляется и в быстром увеличении PVI. В случае, если озимые посевы были угнетены во время перезимовки, их развитие весной значительно замедляется по сравнению с здоровыми посевами, что при наблюдениях проявляется в более позднем росте PVI. 92

красный

0,5 06.май 03.июн

Линия почв

0,4

01.апр

04.мар

01.июл

0,3 05.фев

0,2

02.дек

07.окт 04.ноя 02.сен

0,1

05.авг

0,0

0

0,05

0,1

0,15

0,2

0,25

ближний ИК

Рисунок 26 – Ход КСЯ в красном и ближнем ИК каналах MODIS для озимой пшеницы в весенний период вегетации Таким образом, наиболее эффективным периодом для наблюдений является период осенней вегетации озимых посевов. В этот период посевы в различные годы ведут себя подобным образом, в то же время другие типы растительности в осенний период практически прекращают вегетацию и, следовательно, имеют низкие значения PVI, что и позволяет эффективно отделить класс «озимые культуры». Также в период сева, поля, засеянные озимыми культурами, имеют низкие значения PVI, в отличие от остальных полей, что позволяет использовать также этот период наблюдений для построения классифицирующих признаков. Подбор оптимальных сроков наблюдений проводился следующим образом. По известным полям в одном из сельхозпредприятий Ростовской области были рассчитаны средние значения и стандартные отклонения PVI по полям, засеянным озимой пшеницей и, отдельно, по всем остальным полям. Выбор оптимальных сроков наблюдения основывается на параметре:

93

R=

N1 + N 2 2 µ − µ2 ) , 2 2 ( 1 N1σ 1 + N 2σ 2

(13)

где µ1 – среднее значение PVI для полей, засеянных озимой пшеницей;

µ2 – среднее значение PVI для полей, не засеянных озимой пшеницей; σ 1 – стандартное отклонение PVI для полей, засеянных озимой пшеницей;

σ 2 – стандартное отклонение PVI для полей, не засеянных озимой пшеницей;

N1 – площадь полей, засеянных озимой пшеницей; N 2 – площадь полей, не засеянных озимой пшеницей. В таблице 5 приведены значения R для каждого восьмидневного периода наблюдений за 2003 г. Таблица 5 – Разделимость полей озимой пшеницы и остальных полей Дата

R

Дата

R

2 февраля

0,25

20 июля

0,03

10 февраля

0,12

28 июля

0,24

18 февраля

0,12

5 августа

0,30

26 февраля

0,12

13 августа

0,45

6 марта

0,12

21 августа

0,55

14 марта

0,12

29 августа

0,57

22 марта

0,12

6 сентября

0,72

30 марта

0,12

14 сентября

0,67

7 апреля

0,03

22 сентября

0,65

15 апреля

0,00

30 сентября

0,53

23 апреля

0,01

8 октября

0,33

1 мая

0,11

16 октября

0,05

9 мая

0,03

24 октября

0,00

17 мая

0,05

1 ноября

0,26

94

Окончание таблицы 5 Дата

R

Дата

R

25 мая

0,10

9 ноября

0,89

2 июня

0,04

17 ноября

1,12

10 июня

0,03

25 ноября

1,75

18 июня

0,04

3 декабря

2,81

26 июня

0,04

11 декабря

2,81

4 июля

0,03

19 декабря

2,22

12 июля

0,00

27 декабря

2,22

Для детектирования озимых культур были выбраны два периода наблюдений, соответствующие максимальным значениям параметра R: – период сева 1 сентября – 1 октября; – период осенней вегетации 1 ноября – 31 декабря. В период сева озимые культуры имеют значения PVI более низкие по сравнению с другими типами растительности, а в период осенней вегетации – более высокие. Выбор длительных периодов наблюдений связан с тем, что при более коротких периодах наблюдений в рассматриваемый период может не оказаться ни одного наблюдения. Также измерения могут быть зашумлены, поэтому целесообразно использовать усреднение за более длительный период, чтобы уменьшить влияние случайных шумов на значения признаков. Для построения признаков классификации посевов подсолнечника также были проанализированы данные спутниковых наблюдений совместно с данными о фактическом размещении посевов. Динамика PVI для полей подсолнечника приведена на рис. 27. Наиболее эффективно при классификации использовать измерения PVI, сделанные в те моменты, когда значения PVI данной культуры в наибольшей степени отличаются от значений других типов растительности. Для подсолнечника такими периодами будут период сева, когда PVI засеянных полей минимален и соответствует обнаженной почве, и период набора максимума зеленой биомассы, когда значения PVI больше, чем у 95

других типов растительности. К сложности построения признаков следует отнести различия во времени наступлении максимумов значений PVI в разные годы, которые вызваны метеорологическими условиями конкретного года. В теплые годы сев подсолнечника и развитие проходит раньше, чем в годы более холодные. Сами максимальные значения PVI сильно варьируют от года к году, что также вызвано метеорологическими условиями конкретного года.

PVI

winter wheat

0,35

2001 2002 2003

0,30 0,25 0,20 0,15 0,10 0,05 0,00 01.янв 31.янв 03.мар 02.апр 03.май 02.июн 03.июл 02.авг

02.сен

02.окт

02.ноя 02.дек t

Рисунок 27 – Динамика значений PVI для посевов подсолнечника по данным MODIS за различные годы

Время набора подсолнечником максимума фитомассы близко связано с временем цветения. В агрометеорологии время цветения оценивают по температурному режиму текущего года. На основе анализа литературных данных [82,83] было принято, что для достижения подсолнечником фазы цветения

в

исследуемом

регионе

необходимо

накопление

1130 0С

среднесуточных температур после устойчивого перехода среднесуточной температуры через +6 0С весной. По данным спутниковых наблюдений 96

известных посевов подсолнечника было найдено, что период набора максимальной фитомассы, и, соответственно, максимум значений PVI наступает через две недели после даты наступления фазы цветения, определенной по метеоданным. Так как сев подсолнечника происходит позже, чем большинства других культур, то низкие значения PVI на посевах подсолнечника наблюдаются достаточно длительное время в весенний период. Однако наиболее эффективно использовать значения PVI непосредственно предшествующие активному развитию посевов. В этом случае PVI на полях подсолнечника ещё низкий, а на полях, засеянных другими культурами, уже достаточно большой. Анализ фактических спутниковых наблюдений показал, что наиболее эффективно использовать значения PVI за месяц до даты цветения. Выбор оптимальных сроков наблюдения был проведен аналогично выбору оптимальных сроков наблюдения для озимой пшеницы. В соответствии с формулой (13) для посевов подсолнечника была вычислена величина R, значения которой для каждого восьмидневного периода наблюдений за 2003 г. приведены в таблице 6.

Таблица 6 – Разделимость полей подсолнечника и всех остальных полей Дата

R

Дата

R

2 февраля

0,11

20 июля

1,24

10 февраля

0,11

28 июля

0,76

18 февраля

0,11

5 августа

0,75

26 февраля

0,11

13 августа

0,35

6 марта

0,11

21 августа

0,09

14 марта

0,00

29 августа

0,00

22 марта

0,06

6 сентября

0,01

30 марта

0,13

14 сентября

0,01

97

Окончание таблицы 6 Дата R

Дата

R

7 апреля

0,02

22 сентября

0,00

15 апреля

0,09

30 сентября

0,00

23 апреля

0,18

8 октября

0,00

1 мая

0,15

16 октября

0,05

9 мая

0,32

24 октября

0,08

17 мая

0,38

1 ноября

0,01

25 мая

0,28

9 ноября

0,31

2 июня*

0,05

17 ноября

0,31

10 июня

0,18

25 ноября

0,01

18 июня

0,86

3 декабря

0,00

26 июня

1,39

11 декабря

0,02

4 июля

1,73

19 декабря

0,02

12 июля

1,68

27 декабря

0,02

Примечание * – дата цветения, определенная по метеоданным Таким образом, для детектирования посевов подсолнечника сначала определяется время цветения. При этом в качестве среднесуточных температур использовались данные измерений температур воздуха на метеостанциях сети Росгидромета. Затем для наблюдений выбираются два периода: – период сева – за один месяц до даты цветения; – период набора максимума фитомассы – через две недели после даты цветения. Для детектирование полей чистого пара также были проанализированы данные о фактическом размещении полей под паром и данные спутниковых наблюдений. На рис. 28 показаны значения PVI в 2002 году для чистого пара в сравнении с с.-х. культурами. Видно, что PVI на парующихся полях значительно меньше, чем на засеянных. Некоторая динамика PVI на полях 98

чистого пара объясняется наличием незначительной сорной растительности. Сложность в разработке признаков детектирования чистых паров заключается в том, что необходимо наблюдать поле в течение всего периода парования. В противном случае, основываясь только на измерениях ВИ в отдельные периоды времени, можно ложно детектировать как пар поля, которые временно свободны

от

посевов,

или,

наоборот,

пропустить

парующиеся

поля,

пронаблюдав их только в короткий период развития небольшой сорной растительности. PVI

0,30

Озимая пшеница Яровой ячмень

0,25

Подсолнечник Чистый пар

0,20

0,15

0,10

0,05

0,00 1 фев

t 3 мар

3 апр

3 май

3 июн

3 июл

3 авг

2 сен

3 окт

Рисунок 28 – Значения PVI для различных с.-х. культур и чистого пара Поля чистого пара свободны от посевов весь вегетационный период. Однако

для лучшей

разделимости чистого

пара и засеянных

полей

целесообразно использовать признаки, которые используют только измерения ВИ в период активного роста с.-х. культур. Для Ростовской области таким периодом является период с 1 марта по 1 сентября. В остальное время поля, засеянные с.-х. культурами, так же, как и поля чистого пара, могут иметь низкие значения PVI в силу отсутствия на них развитых посевов.

99

3.3 Алгоритмы выявления по данным MODIS участков чистого пара, озимых культур и посевов подсолнечника Чистые пары. Паром называют поле севооборота, не занятое посевами в течение всего (или части) вегетационного периода и содержащееся в рыхлом и чистом от сорняков состоянии. Пар является эффективным агротехническим средством накопления в почве влаги, повышения её плодородия, борьбы с сорняками,

увеличения

урожайности

всех

культур

севооборота.

Пары

подразделяются на чистые и занятые. Поле чистого пара свободно от возделывания с.-х. культур в течение всего ВП, поле занятого пара в первую половину лета используют для выращивания растений с коротким периодом вегетации (кормовые культуры, ранний картофель и др.). Чистые пары применяют в степных районах с недостаточным увлажнением. Чистые пары являются основой для применения интенсивных технологий возделывания озимой и яровой пшеницы в засушливых районах. Занятый пар применяют в условиях достаточного увлажнения – в Нечерноземной зоне, на севере лесостепной Европейской части России, на орошаемых землях. На юге лесостепной и в степной зонах занятый пар сочетается с чистым. В Нечерноземной зоне на дерново-подзолистых бедных органическим веществом почвах применяют сидеральные пары, в которых выращенные сидеральные культуры запахивают как удобрение в почву. В зависимости от времени вспашки

различают

пары

ранние,

поднимаемые

весной,

и

осенние,

поднимаемые с осени [84]. Картографирование чистых паров является важной задачей, позволяющей в ряде регионов осуществлять контроль соблюдения системы севооборота. Отличительной особенностью полей чистого пара, положенной в основу их выявления по спутниковым данным, является отсутствие развитого растительного покрова в течение вегетационного сезона, исключая возможные всходы озимых культур поздней осенью. Для выявления участков чистого пара используется значение признака 100

f =

1 N

N

∑ pvi i =1

2 i

,

(14)

где pvii – значение вегетационного индекса PVI для заданного пиксела в i-ом композитном изображении от 1 марта; N – число таких композитных изображений за период с 1 марта по 1 сентября текущего года. Этот признак имеет низкие значения на полях чистого пара и высокие значения на полях занятых посевами. Классификация пикселов проводится пороговым

методом:

к

соответствующие условию

классу

«чистый

пар»

относятся

пикселы,

f < p fallow , где p fallow является фиксированным

предварительно выбранным экспертным путем значением. Значение p fallow было выбрано исходя из имевшихся данных о фактическом размещении чистого пара в одном из сельхозпредприятий Ростовской области, а также по результатам визуального анализа выборки участков чистого пара. На рис. 29 показана гистограмма f для территории Ростовской области. В зоне А находятся пикселы, детектируемые как чистый пар, в зоне Б – остальные пикселы. А – Пикселы, детектируемые как «чистый пар» Б – Все остальные пикселы

Рисунок 29 – Гистограмма признака f (с шагом 0,004) для Ростовской области, 2004 г. 101

Ежегодные маски чистых паров были построены на территорию Ростовской области за период 2001-2004 гг. Следует отметить, что построенный алгоритм позволяет детектировать только пары, содержащиеся в чистом от сорной растительности состоянии.

Озимые культуры. Озимыми культурами называют культуры, в основном зерновые, которые высевают осенью, а их урожай получают в следующем году. Из озимых зерновых культур наибольшее распространение получила пшеница – высокоурожайная культура, устойчивая к неблагоприятным агрометеорологическим условиям [84]. Основные регионы возделывания озимой и яровой пшеницы показаны на рис. 30.

Рисунок 30 – Регионы преимущественного культивирования озимой и яровой пшеницы В развитии озимой пшеницы отмечают следующие основные фазы. 1. Всходы – появление первых зеленых листьев;

102

2. Кущение – развитие первых боковых побегов и узловых корней. Оно обычно наступает через 10-20 дней после появления всходов; 3. Выход в трубку – рост нижних междоузлий или начало роста стеблей. С выхода в трубку начинается быстрый рост растений; 4. Колошение (выметывание) – появление соцветий на верхушке стеблей; 5. Цветение; 6. Молочная спелость; 7. Восковая спелость; 8. Полная спелость. Все озимые культуры отличаются продолжительным ВП, который начинается осенью в год посева и заканчивается летом следующего года. В осенний период озимые при своевременном посеве дают всходы, кустятся и ко времени прекращения вегетации развивают мощную корневую систему [85]. Картографирование посевов озимых культур в осенний период вегетации является перспективной задачей и может быть началом для работ по раннему прогнозированию урожая. Так как в осенний период озимые культуры уже набирают

некоторую

надземную

зеленую

биомассу,

возможно

их

детектирование с помощью ДДЗ. Картографирование участков озимых посевов, которые в южных регионах России главным образом заняты пшеницей, выполняется с использованием алгоритма анализа спутниковых данных, в основе которого лежат априорные представления о том, что в характерный для озимых культур период сева фитомасса на полях отсутствует, а в позднеосенний период растения могут набирать значительную фитомассу. Выбранные и указанные в подразделе 3.2 временные интервалы являются характерными периодами сева и осеннего развития озимых культур в рассматриваемом регионе. К классу «озимые культуры» относятся пикселы, для которых выполняются следующие условия:

pvi plouge < pwinter _ plouge и pvigrowth > pwinter _ growth , 103

(15)

где pvi plouge – минимальное значение pvi за период 1 сентября – 1 октября текущего года;

pvigrowth – медиана значений pvi за период 1 ноября – 31 декабря текущего года; Величины pwinter _ plouge и pwinter _ growth имеют фиксированные, предварительно выбранные экспертным путем значения. Значения pwinter _ plouge и pwinter _ growth

были выбраны, исходя из имевшихся

данных о фактическом размещении полей озимых культур в одном из сельхозпредприятий Ростовской области, а также по результатам визуального анализа выборки участков посевов озимых культур. Следует отметить, что данный алгоритм не позволяет детектировать озимые посевы, не набравшие достаточную фитомассу к 31 декабря, что может быть вызвано поздним проведением посевных работ. Также в ряде случаев возможно ложное детектирование озимых культур, вызванное активным ростом сорных растений на полях после уборки урожая яровых культур.

Подсолнечник. Подсолнечник – основная и наиболее урожайная масличная культура. Основные посевные площади подсолнечника сосредоточены в Южном федеральном округе (рис. 31). Подсолнечник – растение степных районов, требовательное к теплу. Его семена прорастают при 3-4 °C, наиболее благоприятная температура для роста 20-25 °С. Поэтому для подсолнечника характерны средние сроки сева. При развитии подсолнечник расходует много влаги, и недостаток ее в почве приводит к недоразвитию и резкому снижению урожая. В силу этого подсолнечник нельзя размещать после культур иссушающих почву, а также после культур, имеющих общие с подсолнечником заболевания. Таким образом, подсолнечник не рекомендуется возвращать на прежнее поле севооборота ранее, чем через 7-10 лет [85]. Картографирование

полей,

занятых

посевами

подсолнечника,

как

культуры, имеющей большое экономическое значение, представляет собой важную задачу спутникового мониторинга с.-х. земель. Специфика развития 104

подсолнечника, как и других c.-х. растений, в значительной мере зависит от метеоусловий и, главным образом, сезонной динамики температуры воздуха. В частности, сумма накопленных среднесуточных температур воздуха может быть положена в основу определения ожидаемой даты цветения данной культуры. На основе анализа литературных данных [82,83] было принято, что для достижения подсолнечником фазы цветения в исследуемом регионе необходимо

накопление

1130 0С

среднесуточных

температур

после

устойчивого перехода среднесуточной температуры через +6 0С весной. Обозначим эту, рассчитываемую индивидуально для каждого пиксела изображения в текущем году, дату через t flower , а в через pvi plouge и pvigrowth обозначим значения PVI за месяц до и через две недели после t flower соответственно.

Рисунок 31 – Основные регионы возделывания подсолнечника Развитие посевов подсолнечника существенно зависит от метеоусловий конкретного года в данном регионе. При этом значения PVI, соответствующие периоду открытой почвы, варьируют слабо, в то время как в период цветения 105

PVI может принимать существенно отличающиеся значения в различные годы и в разных районах одного субъекта. Для того, чтобы компенсировать различия, вызванные метеоусловиями, был использован параметр, характеризующий благоприятность данного года в данном географическом регионе. Для данного географического региона рассмотрим величину:

pvimax _ reg

1 K = ∑ pvi max , j K j =1

(16)

где K – количество всех пикселов, входящих в данный регион;

pvi max – максимальное значение PVI за год в j-ом пикселе. j Величина pvimax _ reg характеризует благоприятность метеоусловий текущего года в регионе. В качестве географических регионов были использованы административные районы. Согласно принятому алгоритму классификации, к классу «подсолнечник» относятся пикселы, удовлетворяющие следующим условиям:

pvi plouge < psunflower _ plouge и pvigrowth / pvimax _ reg > psunflower _ growth ,

(17)

где psunflower _ plouge и psunflower _ growth – задаваемые экспертным путем фиксированные пороговые значения. Значения psunflower _ plouge и psunflower _ growth

были выбраны исходя из имев-

шихся данных о фактическом размещении посевов подсолнечника в одном из сельхозпредприятий Ростовской области, а также по результатам визуального анализа выборки участков посевов подсолнечника. При этом пороговые значения фиксированы и остаются неизменными каждый год. При классификации яровых культур может быть достаточно сложно разделить культуры, имеющие схожую динамику развития. Так, посевы подсолнечника имеют схожую фенологию с посевами кукурузы. На рис. 32 показано сравнение кривых ВИ для подсолнечника и кукурузы по данным наблюдений MODIS. Видно, что значительную часть ВП кривые ВИ практически неразличимы, что может приводить к ошибкам классификации. На рис. 33 показана маска детектированных культур для территории участка в 106

Ростовской области. Видно, что построенные за один год маски с.-х. культур и чистого пара покрывают значительную долю всей территории. PVI 0,35

подсолнечник кукуруза

0,30

0,25

0,20

0,15

0,10

0,05

0,00 31 дек

30 янв

2 мар

1 апр

2 май

1 июн

2 июл

1 авг

1 сен

1 окт

1 ноя

1 дек

t

Рисунок 32 – Динамика значений PVI для полей подсолнечника и кукурузы

Используемые пахотные земли. На основе результатов классификации различных типов посевов и чистых паров была также создана маска пахотных земель на территорию Ростовской области. Так как озимые культуры, подсолнечник и чистый пар суммарно занимают в рассматриваемых регионах ежегодно около 50 % используемых пахотных земель, а в силу севооборота происходит ротация использования полей, то можно утверждать, что за четыре года практически на всех используемых полях хотя бы один раз присутствовали рассматриваемые культуры или чистый пар. Поэтому все пикселы, отнесенные хотя бы один раз за период 2001-2004 гг. к классам чистого пара, озимых культур или подсолнечника, были отнесены к классу «ИПЗ».

107

– Реки, водоёмы

– Чистый пар

– Лиственный лес

– Озимые культуры

– Балки

– Подсолнечник

– Населенные пункты

Рисунок 33 – Использование посевных площадей, Ростовская область, 2003 г. Построенная маска может рассматриваться как маска пахотных земель, используемых в последние несколько лет, и может обновляться по мере поступления данных за последующие годы. К недостаткам данного алгоритма детектирования ИПЗ следует отнести необходимость в предварительном построении масок отдельных культур. Поэтому использование данного метода для детектирования ИПЗ возможно лишь для регионов, для которых существуют алгоритмы детектирования основных культур севооборота.

108

3.4

Оценка

достоверности

результатов

классификации

сельскохозяйственных посевов по данным MODIS Описанные выше алгоритмы обработки спутниковых данных MODIS позволили получить карты посевов озимых культур и подсолнечника, а также чистого пара, для Ростовской области за период 2001-2004 гг. Использование

разработанных

алгоритмов

позволяет

ежегодно

картографировать по спутниковым данным Terra-MODIS для территории Ростовской области участки чистых паров к 1 сентября текущего года, озимых культур – к 31 декабря года посева, а подсолнечника – к 1 августа текущего года. В качестве независимых данных для сравнения с полученными результатами

были

использованы

полевые

данные,

предоставленные

администрацией хозяйства СПК «Приморский» Ростовской области, а также данные государственной статистики по административным районам [86,87] и субъектам [2,3]. Полевые данные представляют собой информацию на уровне отдельных полей о типах с.-х. посевов в различные годы (рис. 34). При сравнении с полевыми данными наиболее значительное расхождение наблюдается в площадях,

занятых

озимыми

культурами,

что,

по-видимому,

вызвано

недостаточным развитием посевов озимых культур в осенний период вегетации. Полученные результаты были также проанализированы в сравнении с материалами

государственной

статистики.

Результаты

сравнения

с

имеющимися данными государственной статистики в целом по территории Ростовской области приведены в таблице 5. Сравнение данных по площадям, занимаемым чистым паром, не проводилось, так как в государственной статистике учитываются чистые и сидеральные пары [88], в то время как спутниковое детектирование выявляет только поля чистого пара. 109

2002 г.

2003 г.

– Озимые культуры по данным агронома,

а)

2004 г. – результаты спутникового детектирования озимых

культур.

2001 г. б)

2002 г.

– Подсолнечник по данным агронома,

2003 г.

– кукуруза по данным агронома,

– результаты

спутникового детектирования подсолнечника.

2001 г. в)

– Чистый пар по данным агронома,

2002 г.

2003 г.

– результаты спутникового детектирования чистого пара.

Рисунок 34 – Сравнение результатов детектирования с наземными данными, СПК «Приморский». Озимые культуры (а), подсолнечник (б), чистый пар (в) 110

Таблица 5 – Сравнение результатов спутникового картографирования с данными государственной статистики по Ростовской области Результаты оценки спутниковым данным, км2

Классы сельхозугодий

государственной по Данные 2 статистики, км

2001 г. 2002 г. 2003 г. 2004 г. 2001 г. 2002 г. 2003 г. 2004 г.

чистый пар

3 060

6 698

5 235

2 807

–

–

–

–

–

9 059

10 202

7 685

12 419

14 385

9 630

13 727

6 040

6 705

13 405

7 522

7 935

8 092

10 862

10 244

озимые культуры подсолнечник

Значительная разница в площадях между данными государственной статистики и результатами детектирования объясняется рядом причин. Как уже отмечалось выше, в силу особенностей используемых алгоритмов часть озимых может не детектироваться в случае, если они в осенний период не набрали достаточной биомассы. Такая ситуация возможна в случае позднего проведения посева

или

неблагоприятных

метеоусловий.

Решение

этой

проблемы

рассматривается в качестве одного из следующих этапов развития алгоритма картографирования

озимых

культур.

Результаты

детектирования

подсолнечника, хотя и имеют отличие от данных государственной статистики, в целом показывают верную динамику значительного увеличения посевных площадей. Было проведено сравнение с данными государственной статистики по административным районам. В качестве параметра, характеризующего степень согласованности данных, был использован коэффициент корреляции между посевными

площадями

по

административным

районам

по

данным

государственной статистики и результатами спутникового детектирования. Следует отметить, что данные государственной статистики также не могут рассматриваться в качестве абсолютно достоверных, однако в настоящее время они представляют собой единственный доступный источник данных о наличии 111

пахотных земель на уровне субъектов РФ. Результаты данного сравнения приведены в таблице 6. Таблица

6

–

Значения

коэффициентов

корреляции

между

данными

государственной статистики по административным районам и результатами, полученными дистанционными методами Коэффициент корреляции между результатами автоматической классификации и данными Классы сельхозугодий государственной статистики

озимые культуры подсолнечник

2001 г.

2002 г.

2003 г.

2004 г.

–

0,87

0,81

0,61

0,76

0,80

0,84

0,83

На рис. 35 показано сравнение результатов спутникового детектирования по озимым культурам и подсолнечнику с данными государственной статистики по 43 административным районам Ростовской области. Для каждого района было

рассчитано

относительное

отклонение

площади

по

данным

государственной статистики и по данным спутникового детектирования, медиана расхождений составила 30 %. 450

700

y = 0,67x - 12,46 R2 = 0,75

600 500 400 300 200 100

Данные спутникового детектирования (кв. км)

Результаты спутникового детектирования (кв. км)

800

400 350

y = 0,58x + 44,81 R2 = 0,64

300 250 200 150 100 50 0

0

100

200 300 400 500 600 700 Данные государственной статистики (кв. км)

0

800

50

100

150

200

250

300

350

400

450

а) б) Рисунок 35 – Сравнение результатов детектирования посевов озимых культур Данные государственной статистики (кв. км)

(а) и подсолнечника (б) с данными государственной статистики по административным районам Ростовской области за 2002 г.

112

Следует

отметить,

что

среднее

пространственное

разрешение

используемых спутниковых данных (250 м) приводит к достаточно большим погрешностям в оценке площадей посевов, достигающим наибольших значений для небольших территорий (хозяйство, район) и уменьшающихся при оценке площадей посевов на уровне субъектов РФ. На рис. 36 показано сравнение результатов определения площадей ИПЗ с данными государственной статистики по административным районам. Видно, что имеется хорошее совпадение между данными (медиана расхождений составила 13 %).

Рисунок 36 – Сравнение данных анализа спутниковых изображений о наличии ИПЗ с данными государственной статистики по административным районам Ростовской области

113

Выводы к третьему разделу Неотъемлемой частью системы мониторинга пахотных земель является построение ежегодных карт посевов различных культур и карты ИПЗ. Построение таких карт позволяет вести мониторинг развития культур, а также осуществлять контроль за рациональным землепользованием. Первым шагом к построению таких карт является построение маски заведомо непахотных земель. Будучи построенной, такая маска может использоваться достаточно длительное, измеряемое годами время. Были разработаны алгоритмы детектирования нескольких типов земного покрова, заведомо не являющихся пахотными землями. Для построения маски были использованы вместе с данными MODIS дополнительные данные. Эта маска облегчила в дальнейшем разработку алгоритмов детектирования отдельных культур. Были разработаны алгоритмы для ежегодного детектирования озимых культур, подсолнечника и чистого пара в регионах юга России. Эти алгоритмы не только позволяют независимо оценить площади, занятые культурами, но и построить схемы их пространственного размещения. Разработанные алгоритмы основываются на априорных знаниях о динамике развития различных культур. На основе полученных масок культур и чистого пара была построена маска ИПЗ. Полученные результаты позволяют оценить структуру использования пахотных

земель.

Разработанные

методы

открывают

принципиальную

возможность осуществления контроля использования пахотных земель, соблюдения севооборота, а также прогнозирования валового сбора урожая. При сравнении с данными государственной статистики по административным районам

расхождение

в

площадях,

занятых

различными

культурами

составило 30 %, при сравнение данных о всей площади используемых пахотных земель – 13 %.

114

Раздел 4. Выявление и оценка площадей используемых пахотных земель России по спутниковым данным MODIS 4.1 Метод выявления используемых пахотных земель по временным сериям данных MODIS Пашней

называют

вид

земельных

угодий,

систематически

обрабатываемых и используемых для возделывания с.-х. культур [84]. При этом система государственного учета земель относит к категории пашни все предназначенные для пахоты c.-х. угодья, которые, формально оставаясь в данной категории, в силу ряда причин фактически могут не обрабатываться и не использоваться для растениеводства. Как было показано в первом разделе диссертационной работы, в настоящее время не существует объективных данных о пространственном размещении ИПЗ на региональном и федеральном уровнях. Это порождает необходимость разработки объективных методов выявления территорий, используемых под пашню. Использование ДДЗ позволяет создать методы для выявления и картографирования ИПЗ. Однако, хотя пахотные земли в периоды, свободные от посевов, визуально легко распознаются по спутниковым изображениям, построение автоматического алгоритма их картографирования на больших территориях сопряжено с значительными трудностями. К таким трудностям относится необходимость включения механизмов адаптивности алгоритмов к региональным различиям с целью обеспечения возможности использования автоматических алгоритмов на больших территориях. К региональным различиям относятся различия в динамике развития с.-х. культур, яркости почв, существуют также различия в метеорологических условиях в разные годы. Необходимость минимизации

работы участия

алгоритмов человека

на

в

большой

обработке

территории

данных,

требует

максимальной

автоматизации процесса дешифрирования. Обычно схема построения алгоритмов состоит из следующих этапов: 1. Выбор набора исходных ДДЗ; 115

2. Выбор множества классов распознавания; 3. Выбор набора признаков и процедуры классификации; 4. Построение

обучающих

выборок

(в

случае

использования

алгоритма классификации с обучением); 5. Классификация ДДЗ. Отметим, что три первых этапа выполняются один раз, а последний, как правило, реализуется в виде автоматического алгоритма. Построение обучающих выборок является одним из самых трудоемких этапов работы. Для их получения необходим значительный набор данных полевых наблюдений. При этом, если территория мониторинга значительная, то получение наземных данных сопряжено с проведением дорогостоящих и трудоемких наземных работ. Поэтому при разработке алгоритма ставилось условие минимизации использования данных наземных наблюдений. Существующий

опыт

картографирования

пахотных

земель

с

использованием ДДЗ в наибольшей степени основывается на технологиях визуального или интерактивного дешифрирования снимков. Обычно такой подход используется при мониторинге небольшой территории и использовании снимков высокого разрешения. В таких случаях дешифрирование пахотных земель проводится по спектральным характеристикам с использованием эталонов, найденных визуально или известных из каких-либо дополнительных данных [28,21]. Недостатком такого подхода является большая трудоемкость, что не позволяет использовать его при мониторинге территорий с площадью пахотных земель более сотен тысяч гектар. В случае, если набор высаживаемых с.-х. культур небольшой, возможна разработка алгоритмов нацеленных именно на выделение данных культур, а затем построение маски пахотных земель на основе уже построенных масок культур. Такой подход, например, используется в системе с.-х. мониторинга Казахстана [53]. Подобные подходы, однако, неприменимы, если ведется мониторинг большой территории, на которой высаживается множество различных культур с различной динамикой развития в течение года. 116

Наиболее часто используемые алгоритмы классификации по спутниковым данным предполагают выбор фиксированных пороговых значений экспертным путем, что, как правило, обеспечивает получение хороших результатов на уровне отдельных регионов, но приводит к снижению точности использования алгоритмов на больших территориях. Распространение таких методов на большую площадь представляет значительную трудность ввиду необходимости учета

региональных

особенностей.

Поэтому

наряду

с

автоматизацией

процедуры классификации ставилась задача по обеспечению автоматической адаптивности

разрабатываемого

алгоритма

к

различным

региональным

условиям. При картографировании больших территорий с использованием ДДЗ низкого разрешения часто используют классификацию без обучения [89]. В этом случае все множество пикселов на основе выбранных признаков делится на множество кластеров. Затем эксперт должен вручную объединить тематически близкие кластеры и назначить каждому кластеру тематическое описание. Такой подход применяется, когда заранее неизвестно какие классы будут представлены на результирующей карте. Недостатком метода является необходимость

участия

эксперта

при

описании

получившихся

после

классификации кластеров. В решаемой задаче множество классов включает в себя лишь два класса земель, подлежащих автоматическому распознаванию, а именно «ИПЗ» и все «остальные» территории. В качестве набора исходных ДДЗ использовалась серия композитных восьмидневных изображений TM_SIN_8DC250MED за период 2002-2005 гг. на территорию гранул: h19v02, h19v03, h20v02, h20v03, h20v04, h21v02, h21v03, h21v04, h22v02, h22v03, h23v03, h24v03, h25v03, h26v03, h26v04, h27v03, h27v04. Используемая серия представляет собой набор всех восьмидневных композитных изображений за указанный период (184 изображения на каждую гранулу). Наличие столь длинного ряда данных позволяет использовать для 117

классификации

признаки,

характеризующие

динамику

развития

растительности. Выбор признаков для классификации, а также построение обучающих выборок, основывались на учете особенностей, отличающих характер сезонной и многолетней динамики фитомассы на ИПЗ от территорий, занятых естественной растительностью или залежными землями. К такого рода особенностям можно отнести следующие отличительные черты ИПЗ: – наличие существенных различий в продолжительности ВП, характерного для естественной растительности и с.-х. культур в силу проведения агротехнических мероприятий; – наличие существенных различий межгодовой динамики фитомассы вследствие ротации видов с.-х. культур. Указанные различия демонстрируются на рис. 37, где приведен пример кривых PVI для участков, занятых естественной растительностью и с.-х. посевами.

Рисунок 37 – Пример многолетней динамики значений PVI для пахотных земель и естественной растительности

118

Вторая из приведенных выше особенностей ИПЗ была положена в основу автоматического алгоритма построения обучающих выборок для конкретных регионов. Различные культуры имеют различную динамику развития и им будут соответствовать различные кривые значений ВИ. Для озимых и яровых культур такое различие, очевидно, будет очень существенным. Яровые культуры также можно подразделить на ранние и поздние, различие в фенологическом развитии между этими классами будет меньше, но все же значительным. Различия же внутри классов: озимые культуры, ранние и поздние яровые культуры, практически отсутствуют. На используемых полях каждый год или каждые несколько лет меняется высеиваемая культура, и, таким образом, меняется динамика развития посевов. В отличие от с.-х. полей, на территориях, занятых естественной растительностью, каждый год вырастают одни и те же растения, динамика развития которых существенно не меняется. Таким образом, на основе анализа межгодовой динамики фитомассы можно выбрать участки пахотных земель, и, отдельно, участки занятые естественной растительностью. Естественно, что для этого требуется использование рядов спутниковых наблюдений, соизмеримых по длительности с характерными периодами севооборотов. Первая

особенность

была

положена

в

основу

выбора

признака

классификации. Под вегетационным периодом для данной растительности обычно понимается период от начала вегетации весной до увядания осенью. Для с.-х. растительности ВП обычно меньше, чем для естественной растительности того же региона. Таким образом, оценив ВП можно классифицировать пиксел, как относящийся к тому или иному классу. При этом необходимо учесть, что в разных по климатическим условиях регионах для одного и того же типа растительности будет различный ВП. На величину ВП также влияют метеоусловия конкретного года. Оценка продолжительности ВП по ДДЗ может быть получена на основе анализа внутригодовой динамики объема фитомассы. Анализируя ход ВИ, можно оценивать даты наступления различных фенологических фаз. Так, например, считается, что максимум ВИ 119

соответствует фазе цветения растений. При активном росте ВИ можно говорить о начале вегетации, а при снижении ВИ к минимальному значению – об увядании. Указанные выше различия в динамике ВИ для с.-х. и естественной растительности могут быть положены в основу детектирования ИПЗ. Собственно отделение ИПЗ в конкретном регионе от других земель может быть произведено на основе порогового алгоритма, разделяющего территории по продолжительности

ВП

растительности.

Однако

для

распространения

алгоритма на большие территории необходима региональная адаптация значений порога, которая может быть произведена на основе обучающей выборки.

Маскирование заведомо непахотных земель. Первым необходимым шагом реализации метода является построение маски территорий, заведомо не являющихся ИПЗ. При построении такой маски могут использоваться различные вспомогательные картографические данные, а также результаты автоматизированной

классификации

спутниковых

MODIS.

изображений

Обозначим множество пикселов, входящих в эту маску, M.

Построение

признака

классификации.

В

качестве

признака

классификации разработанный алгоритм предусматривает использование значений продолжительности ВП. Рассмотрим ряд измерений pvii , i = 1, 2,..., N за один произвольный год для данного пиксела. Пусть максимальное значение этого ряда равно

pvimax и достигается при i = imax , тогда обозначим i0

максимальное i , удовлетворяющее условиям

pvii < pvimax / 2 и i < imax .

(18)

Аналогично обозначим i1 минимальное i такое, что

pvii < pvimax / 2 и i > imax .

(19)

Обозначим j = 1, 2,..., J – номер рассматриваемого года. Величину

d j = i1 − i0 ,

(20)

рассчитываемую для каждого из годов наблюдений, будем называть продолжительностью ВП. Следует отметить, что предложенная величина не 120

соответствует биологическому понятию ВП, однако может рассматриваться в качестве некоторой коррелирующей с ним относительной оценки. Для участков естественной растительности d j будет иметь относительно большие и, в то же время, относительно мало изменяющиеся между различными годами значения. Для ИПЗ величина d j будет иметь относительно небольшие значения и будет существенно меняться от года к году в зависимости от типа посевов. Введем минимальную длину ВП

d min = min d j

(21)

j =1,2.. J

и примем эту величину в качестве признака классификации ИПЗ. Необходимость использования минимального значения ВП связана с тем, что многие культуры имеют ВП близкий к ВП естественной растительности. Поскольку в силу севооборота культуры меняются, то следует ожидать, что за несколько лет как минимум один раз будет культура с коротким ВП. Следует отметить, что хотя для ИПЗ d min меньше, чем для естественной растительности, указанная закономерность выполняется лишь при локальном характере сравнения, так как на продолжительность ВП существенное влияние оказывают климатические условия региона. Так, при сравнении величин d min для ИПЗ и естественной

растительности

из

значительно

различающихся

по

климатическим условиям регионов данная закономерность может нарушаться. Указанное обстоятельство приводит к необходимости разработки локально адаптивного алгоритма классификации.

Построение обучающих выборок. Целью второго этапа является автоматическое построение обучающих выборок для оценки значений признака классификации ИПЗ и естественной растительности. Обозначим множества пикселов этих выборок Α и V соответственно. Указанные выборки могут строиться

различным

образом.

Однако

представляется

эффективным

использование значений коэффициента корреляции между годовыми рядами PVI. При этом предполагается, что вследствие ротации с.-х. культур на ИПЗ, указанные участки будут характеризоваться более низкими, по сравнению с 121

территориями,

занятыми

естественной

растительностью,

значениями

коэффициента корреляции. Важно также отметить, что такой подход в значительной степени адаптивен к изменяющимся в широком диапазоне климатическим условиям и, следовательно, обеспечивает высокий уровень региональной независимости разработанного алгоритма. Для

построения

обучающих

выборок

для

каждого

пиксела

рассчитываются коэффициенты корреляции ri по всем возможным парным сочетаниям имеющихся годовых рядов PVI. Существенные межгодовые различия динамики PVI для соответствующих ИПЗ пикселов обуславливают в них относительно низкие величины коэффициентов корреляции. Согласно принятой методике, условием отнесения пиксела к множеству V было превышение медианы значений ri пороговой величины 0,7. В случае же появления среди множества полученных значений

ri

двух или более

отрицательных величин и если при этом пиксел не был отнесен ранее к маске Μ , ему приписывалась принадлежность к множеству Α . Множества Α и V в

дальнейшем будут служить в качестве обучающих выборок.

Адаптивная

классификация.

Рассмотрим

цифровое

изображение,

каждому пикселу которого присвоена величина d min . Рассчитаем для каждого пиксела среднее значение и стандартное отклонение d min по квадратному окну со стороной L км, используя при этом только значения d min пикселов из множества А и, отдельно, используя только значения d min пикселов из множества V. Обозначим E A , σ A , Ev , σ v – соответственно средние значения и стандартные отклонения величины d min для соответствующих множеств. Величина L должна быть достаточно большой, чтобы на результат не оказывал влияние локальный ландшафт, и в тоже время достаточно малой, чтобы использовались данные для близкой по климатическим условиям территории. Локальные элементы ландшафта (балки, лесополосы, поймы рек и т.д.) имеют характерные размеры в единицы и десятки километров. Для минимизации 122

влияния локального ландшафта необходимо выбирать окно возможно большего размера, но таким чтобы внутри окна климатические параметры были постоянны. Существенное изменение климатических параметров можно наблюдать на расстояниях измеряемых сотнями километров. Например, при использовании климатических моделей размер шага регулярной сетки составляет обычно 1°. Данный пиксел отнесем к классу ИПЗ, если для него выполнены условия:

d min < E A + и

пиксел

не

принадлежит

M.

Ev − E A σA σ A +σv Таким

(22) образом,

каждый

пиксел

классифицируется на основе того, какую величину имеет ВП для обучающих выборок А и V в близком данному пикселу регионе.

Результаты

экспериментальной

апробации

разработанного

алгоритма. В качестве входных данных для алгоритма выявления ИПЗ использовались четырехлетние временные ряды значений PVI за 2002-2005 гг. С

учетом

анализа

особенностей

пространственной

изменчивости

климатических условий в с.-х. регионах России, в качестве размера окна L было выбрано значение 100 км. Экспериментальная апробация разработанного алгоритма была проведена на территории, охватывающей основные с.-х. регионы России и включающей 56 субъектов РФ. В выбранных субъектах РФ сосредоточено 92 % всей посевной площади России. Построенная маска ИПЗ показана на рис. 38,39, 40.

123

Рисунок 38 – Фрагмент маски ИПЗ для территории Алтайского края (желтым цветом)

Рисунок 39 – Фрагмент маски ИПЗ для территории Ростовской области (желтым цветом) 124

Рисунок 40 – Полученная по результатам обработки данных MODIS маска ИПЗ для территории ряда субъектов РФ

4.2 Анализ достоверности результатов выявления пахотных земель России по данным MODIS Завершающим этапом при построении карт по данным ДЗЗ является этап проверки

качества

результатов

классификации.

Проверка

результатов

классификации проводилась путем их сравнения с данными государственной статистики, с данными визуального дешифрирования снимков высокого разрешения и другими картами землепользования. Анализ полученных данных о площадях используемых пахотных земель был выполнен в сравнении с материалами государственной статистики [2,3]. Для сравнения были использованы данные о посевных площадях по субъектам РФ. При этом использовалась минимальная посевная площадь в данном субъекте за период 2002-2005 гг. Результаты сравнения с имеющимися данными государственной статистики по субъектам РФ приведены на рис. 41. 125

Данные классификации MODIS

6000

тыс. га

5000 y = 1,04x - 14,42 2 R = 0,92

4000

3000

2000

1000

0 0

1000

2000

3000

4000

5000

Данные гос.статистики

6000 тыс. га

Рисунок 41 – Сравнение результатов детектирования ИПЗ по данным MODIS с данными государственной статистики по субъектам РФ В таблице 7 приведены результаты сравнения с максимальной и минимальной посевными площадями за 2002-2005 гг. При сравнении с данными

статистики

среднее

различие

составило

18 %.

Наибольшее

расхождение соответствует Волгоградской области. Такое расхождение, повидимому, вызвано ложным детектированием сухих степей и заброшенных полей. Степная растительность детектируется как ИПЗ из-за того, что динамика развития растительности в степях тесно связана с количеством и временем выпадения осадков, и поэтому может иметь существенные отличия в различные по метеорологическим условиям годы. Это приводит к относительно низким значениям межгодовых коэффициентов корреляции PVI на участках степной растительности, и, как следствие, их ошибочному включению в обучающую выборку Α c.-х. растительности. В ряде субъектов РФ, расположенных вне зоны основного земледелия, использование алгоритма приводит к получению 126

заниженных, по сравнению с данными государственной статистики, оценок площади ИПЗ. Это связано с относительно непродолжительным ВП развития растительности в силу климатических условий в данных регионах, и, как следствие, сравнительно небольшим различием в значениях d min для с.-х. и естественной растительности. Таблица 7 – Сравнение результатов детектирования ИПЗ с данными государственной статистики Субъекты РФ

Алтайский край Белгородская область Брянская область Владимирская область Волгоградская область Вологодская область Воронежская область Ивановская область Кабардино-Балкарская Республика Калининградская область Калужская область Карачаево-Черкесская Республика Кемеровская область Кировская область Костромская область Краснодарский край Красноярский край Курганская область Курская область Ленинградская область Липецкая область Московская область Нижегородская область Новгородская область Новосибирская область

Минимальная посевная площадь за 20022005 гг., Росстат, тыс. га 5 136 1 303 715 430 2 534 570 2 207 270 302 225 382 118

Максимальная посевная площадь за 20022005 гг., Росстат, тыс. га 5 443 1 452 864 470 2 990 663 2 350 384 310 238 490 138

1 044 1 253 346 3 566 1 616 1 203 1200 319 1 073 742 1 230 200 2 578

1 089 1 489 428 3 750 1 833 1 489 1 340 368 1 156 931 1 416 247 2 783 127

Площадь ИПЗ по данным MODIS, тыс. га 5 068 1 167 694 402 4 702 630 2 381 285 242 151 429 101 774 817 289 2 916 1 916 1 444 1 234 406 1 088 657 997 221 2 655

Окончание таблицы 7 Субъекты РФ

Максимальная Минимальная посевная плопосевная площадь за 2002щадь за 20022005 гг., Росстат, 2005 гг., Росстат, тыс. га тыс. га Омская область 2 923 3 062 Оренбургская область 3 861 4 588 Орловская область 1 105 1 234 Пензенская область 1 159 1 361 Пермская область 1 039 1 144 Псковская область 424 523 Республика Адыгея 188 214 Республика Башкортостан 3 142 3 576 Республика Дагестан 344 354 Республика Ингушетия 59 75 Республика Марий Эл 420 487 Республика Мордовия 740 826 Республика Северная 161 181 Осетия - Алания Республика Татарстан 2 866 2 953 Республика Хакасия 203 291 Ростовская область 5 378* 5 488* Рязанская область 829 901 Самарская область 1 868 2 067 Саратовская область 3 633 3 827 Свердловская область 985 1 118 Смоленская область 591 734 Ставропольский край 2 755 2 887 Тамбовская область 1 316 1 458 Тверская область 732 880 Томская область 393 436 Тульская область 772 875 Тюменская область 963 1 069 Ульяновская область 782 1 099 Челябинская область 1 843 1 882 Чеченская Республика 175 218 Ярославская область 452 543 Всего 72 663 80 462 Примечание * – указана сумма посевной площади и площади занятой парами

128

Площадь ИПЗ по данным MODIS, тыс. га 2 705 4 460 1 093 1 264 581 429 158 2 734 344 78 264 624 165 2 166 331 5 289 959 2 073 4 303 695 604 3 421 1 495 597 472 877 893 1 013 2 133 280 381 74 547

Вторым этапом проверки качеcтва классификации стало сравнение с данными дешифрирования снимков высокого разрешения. Для проверки точности результатов распознавания были выбраны космические снимки съемочной системы Landsat-TM/ETM+ за период с 1999 до 2002 годы. Эти данные имеют пространственное разрешение 30 м, хорошую географическую привязку, удовлетворяющий требованиям изучения растительности набор спектральных

каналов.

Для

проведения

независимой

оценки

качества

проведенный классификации были использованы снимки высокого разрешения Landsat-TM/ETM+, покрывающие всю территорию сельскохозяйственного мониторинга. Был выбран набор контрольных точек, в которых сравнивались результаты визуального дешифрирования и автоматической классификации. Так как в данном исследовании требовалось оценить общую точность распознавания по всей территории России, то было решено контрольные точки разместить равномерно по всей территории с определенным шагом таким образом, чтобы количество точек давало достаточное представление об исследуемом

объекте.

Контрольные

точки

были

размещены

в

узлах

географической сетки с шагом в 1° по широте и долготе. Всего на исследуемую территорию выбрано 492 точки. По результатам визуального анализа были выбраны только точки, относящиеся к используемым пахотных землям. Основными

дешифровочными

признаками,

по

которым

производилось

отнесение точки к классу «ИПЗ» являлись: – прямолинейные, четкие границы поля или группы полей; – тон и цвет изображения, форма спектральной кривой, которые указывали либо на открытую поверхность почвы, либо на поверхность, частично или полностью покрытую растительностью; – текстура и рисунок изображения, по которым можно обнаружить видимые следы обработки почвы: пахота, валки от убранной с.-х. культуры, следы полива и т.д. Также каждой контрольной точке был приписан атрибут принадлежности в маске ИПЗ, построенной по данным MODIS. Было проведено сравнение этого 129

атрибута с результатами визуального дешифрирования. На рис. 42 показаны все контрольные точки и результаты сравнения. В таблице 8 приведена матрица ошибок распознавания ИПЗ. Анализ сравнения показывает что случаи ошибочного детектирования крайне редки (2 точки) и, главным образом, вызваны ошибочным отнесением сухих степей к категории с.-х. земель. Такая ошибка вызвана тем, что ВП сухих степей может быть также очень коротким (зависит от осадков в конкретном году), и алгоритм в таком случае относит пиксел к ИПЗ. Достаточно большое число точек (44) были визуально дешифрированы как ИПЗ, но не были детектированы автоматическим алгоритмом. Данная ошибка классификации вызвана тем, что ВП как естественной растительности, так и с.-х. культур, весьма короткий в данных регионах и может не иметь значимого различия. Большое количество неотдетектированных

точек

ИПЗ

согласуется

также

с

меньшими

детектированными площадями по сравнению с данными государственной статистики. В этих регионах характерные размеры полей небольшие и значительное число пикселов, содержащих с.-х. поля, являются «смешанными»; таким образом, источником ошибки становится недостаточно высокая величина пространственного разрешения используемых спутниковых данных – 250 м. Общая точность классификации составила 0,91. Ошибка первого рода при детектировании ИПЗ составила 0,32, а ошибка 2-го рода – 0,01. К недостаткам данного метода контроля качества классификации следует отнести то, что большинство контрольных точек попало на непахотные земли. Так, например, в Северо-Западном федеральном округе все 40 контрольных точек были визуально

дешифрированы

как

«непахотные

земли».

Распределение

контрольных точек по федеральным округам показано в таблице 9. Было проведено также сравнение с другими источниками данных о землепользовании. Построенная маска ИПЗ сравнивалась с картой земельных угодий СССР масштаба 1 : 4 000 000 [4]

за 1989 год. Сравнение с данной

картой возможно только на качественном уровне в силу её малой детальности. Основные районы земледелия, выделенные на карте земельных угодий, четко 130

видны и по большей плотности детектированных ИПЗ (рис. 43). В целом, построенная маска ИПЗ гораздо более детальна по сравнению с картой земельных угодий. Таблица 8 – Сравнение результатов визуального дешифрирования контрольных точек по спутниковым изображениям Landsat с результатами автоматического распознавания ИПЗ по данным MODIS Число точек, шт. Точки, отнесенные к классу «ИПЗ» по результатам визуального дешифрирования и по результатам классификации данных MODIS

95

Точки, отнесенные к «ИПЗ» только по результатам визуального дешифрирования

44

Точки, отнесенные к «ИПЗ» только по результатам классификации данных MODIS

2

Точки, не отнесенные к «ИПЗ» и по результатам визуального дешифрирования и по результатам классификации данных MODIS

351

– Верное детектирование естественной растительности, – пропуск пашни, детектирование пашни, – ложное детектирование пашни

– верное

Рисунок 42 – Пространственное размещение контрольных точек для для проверки результатов классификации ИПЗ 131

Таблица 9 – Достоверность автоматического распознавания контрольных точек по федеральным округам РФ Федеральные округа Центральный Северо-Западный Южный Приволжский Уральский Сибирский

Общее количество Доля верно контрольных точек, распознанных точек шт. 86,8 % 91 100,0 % 40 94,4 % 54 82,6 % 115 95,2 % 63 93,8 % 129

– пашня по данным Карты земельных угодий СССР,

Доля неверно распознанных точек 13,2 % 0,0 % 5,6 % 17,4 % 4,8 % 6,2 %

– пашня по данным MODIS

Рисунок 43 – Сравнение карты ИПЗ по данным MODIS с картой земельных угодий СССР

«Карта наземных экосистем» GLC2000 составлена по материалам автоматизированного дешифрирования изображений, получаемых спутниковой системой SPOT-Vegetation с пространственным разрешением 1 км [89]. В GLC2000 каждый пиксел отнесен к одному из типов земного покрова, в том 132

числе в легенде карты есть класс пахотных земель («croplands»). Было проведено сравнение маски пахотных земель и маски, получающейся при выборке из GLC2000 класса «croplands» (рис. 44). В целом видно, что принципиально карты схожи, но построенная маска ИПЗ значительно более детальна. Так как GLC2000 создана по данным низкого разрешения, легенда карты содержит классы «смесей», например, «Смесь лесов и пахотных земель и лесов». Оценка согласованности между построенной маской ИПЗ и картой GLC2000 приведена в таблице 10. Большая часть (66,7 %) построенной маски ИПЗ попала в классы GLC2000 «Пахотные земли», «Смесь пахотных земель и лугов», «Смесь лесов и пахотных земель». Значительная часть (17,1 %) маски ИПЗ попала в классы «Луга» («Humid grassland») и «Степи» («Steppe»), что связано с тем, что эти типы земного покрова близки по динамике вегетации к с.-х. растительности и могут ошибочно детектироваться. При этом ошибка может содержаться как в построенной маске ИПЗ, так и в карте GLC2000.

Таблица 10 – Оценка согласованности карты ИПЗ по данным MODIS с классами карты GLC2000 Класс карты GLC200 - русское название

Класс карты GLC200 оригинальное название

Пахотные земли Croplands Смесь пахотных земель и лу- Cropland - Grassland comгов plexes Луга Humid grasslands Степи Steppe Смесь лесов и пахотных зеForest - Cropland comмель plexes Лиственные леса Deciduous Broadleaf Forest Вечнозеленые хвойные леса Evergreen Needle-leaf Forest Болота Bogs and marches Смешанный лес с преоблада- Broadleaf/Needle-leaf Forнием лиственного est 133

Доля ИПЗ по данным MODIS, попавших в данный класс 51,4 % 19,0 % 9,1 % 8,0 % 7,3 % 1,4 % 1,0 % 0,9 % 0,4 %

Окончание таблицы 10 Класс карты GLC200 - русское название

Класс карты GLC200 оригинальное название

Смешанный лес с преобладанием хвойного Смесь лесов и естественной растительности Пустыни и гольцы Смешанные леса Реки и водоемы Лиственные кустарники Неклассифицировано Свежие гари Хвойные листопадные леса

Needle-leaf/Broadleaf Forest Forest - Natural Vegetation complexes Bare soil and rock Mixed Forest Water bodies Broadleaf deciduous shrubs Unclassified Recent burns Deciduous Needle-leaf Forest Хвойные вечнозеленые кусNeedle-leaf evergreen тарники shrubs Грядово-мочажные болотные комплексы Palsa bogs Прибрежная травянокустарниковая растительности Riparian vegetation Тундра и кустарничковая Barren and prostrate shrub тундра tundra Травянистая тунда Sedge tundra Вечные снега Permanent snow/ice Урбанизированные территоUrban рии Солончаки Salt-march Гари 2000 г. Burns of year 2000 Всего:

134

Доля ИПЗ по данным MODIS, попавших в данный класс 0,3 % 0,3 % 0,3 % 0,2 % 0,2 % 0,1 % 0,1 % 0,1 % 0,0 % 0,0 % 0,0 % 0,0 % 0,0 % 0,0 % 0,0 % 0,0 % 0,0 % 0,0 % 100,0 %

а)

б)

Рисунок 44 – Сравнение карты ИПЗ по данным MODIS (a) с картой GLC2000 (б)

4.3 Сбор, хранение, распространение данных спутниковых наблюдений и программная реализация алгоритмов обработки данных MODIS Большие объемы ДДЗ, поступающих в систему мониторинга, требования к минимизации времени обработки и организации эффективного доступа пользователей к результатам требуют специальной организации процесса обработки спутниковых данных. Необходимость хранения и предоставления доступа к большому объему ДДЗ привела к созданию специальной системы хранения данных в ИКИ РАН. Основная часть архива наблюдений (продукты MOD09GQK, MOD09GHK, MODMGGAD, MOD09GST) MODIS была получена на DLT-кассетах экспресспочтой, небольшая часть была скачана с серверов DAAC. Текущие данные наблюдений скачиваются через серверы DAAC в автоматическом режиме. При поступлении исходных данных в архив автоматически производится их 135

предварительная обработка, результатом которой является создание набора продуктов:

TM_SIN_DS250,

TM_SIN_DS500,

TM_SIN_DS1000,

TM_SIN_DS_MASK250, TM_SIN_DS_MASK500, архив которых хранится на жестких дисках. При этом включены одновременно только несколько жестких дисков, остальные могут подключаться при необходимости. К продуктам семейства

TM_SIN_XDCY

обращения

идут

более

часто,

поэтому

соответствующие жесткие диски обычно находятся в режиме on-line. К информации о наличии тех или иных продуктов в каталоге ИКИ РАН организован

доступ

через

веб-интерфейс

(рис.

45).

К

композитным

изображениям организован доступ посредством картографического вебинтерфейса (www.agrocosmos.gvc.ru) (рис. 46).

Рисунок 45 – Веб-интерфейс доступа к архиву данных MODIS в ИКИ РАН Программная реализация разработанных алгоритмов предварительной и тематической обработки была осуществлена на языке C++. Использование собственного ПО дало возможность реализовать методы, отсутствующие в 136

стандартных

пакетах

обработки

ДДЗ,

а

также

позволило

полностью

автоматизировать процесс обработки данных. Функционально созданное ПО состоит из следующих основных модулей: 1. Пользовательский интерфейс и управление работой программы; 2. Алгоритмы обработки; 3. Чтение и запись данных.

Рисунок 46 – Веб-интерфейс доступа к композитным изображениям Модуль 1, в соответствии с заданными пользователем командами, обеспечивает выбор требуемых файлов данных и осуществляет пуск процедур обработки данных. Все команды пользователя до начала работы ПО должны быть записаны в текстовый командный файл, таким образом, после запуска программа работает в автоматическом режиме. Вся информация о ходе выполнения программы выводится в текстовые файлы, которые могут быть использованы для контроля выполнения заданных пользователем команд. Модуль 2 состоит из набора процедур, каждая из которых реализует одну из необходимых функций обработки спутниковых данных. К таким функциям 137

относятся

расчет

характеристик

временного

ряда,

расчет

признаков,

классификация заданного набора признаков. Отделение этого модуля от Модуля 3 позволяет при написании процедур абстрагироваться от конкретного типа обрабатываемых данных. Модуль 3 реализует процедуры чтения и записи данных. Важность этих процедур определяется тем, что при обработке данных значительная доля времени

тратится

именно

на

чтение/запись

данных.

Для

увеличения

производительности программа использует большой объем оперативной памяти (до 2 Гб) для кэширования данных, что позволяет не производить лишних операций чтения/записи при обработке. Реализованные процедуры позволяют как работать с данными MODIS, так и записывать файлы результатов в формат, удобный пользователю. К картографическим данным о пахотных землях и типах с.-х. посевов различных лет в настоящее время организован доступ на веб-сервере Информационной системы спутникового мониторинга наземных экосистем Северной

Евразии

TerraNorte

(http://terranorte.iki.rssi.ru/).

Разработанный

интерфейс позволяет пользователю, не имеющему специализированного ГИС программного обеспечения, получить доступ к результатам тематической обработки данных (рис. 47).

138

Рисунок 47 – Веб-интерфейс доступа к данным об использовании посевных площадей

Выводы к четвертому разделу Создание карты пахотных земель России является одной из основных задач системы мониторинга с.-х. земель. Для построения карты пахотных земель России по ДДЗ требуются эффективные алгоритмы тематической обработки данных. При разработке таких алгоритмов необходимо обеспечить их независимость от региональных различий, почвенных, климатических и других условий ведения сельского хозяйства. Представленный

алгоритм

детектирования

ИПЗ

основывается

на

особенностях динамики вегетации с.-х. культур. Положенные в основу метода априорные знания об особенностях развития с.-х. культур позволили разработать алгоритм адаптивный к различным регионам. Использование разработанного алгоритма позволило по данным четырехлетних спутниковых наблюдений прибором Terra-MODIS выявить ИПЗ и оценить их площадь в с.-х. регионах России, совокупная посевная площадь в которых составляет 92 % всей посевной площади страны. 139

Было проведено сравнение полученных результатов с данными государственной статистики, с данными визуального анализа снимков высокого разрешения и с данными наземных наблюдений. Среднее расхождение площадей используемых пахотных земель с данными государственной статистики по субъектам РФ составило 18 %. Точность классификации в сравнении с данными визуального дешифрирования 492 точек составила 91 %. Разработанная система сбора, обработки и распространения данных позволяет заинтересованным пользователям быстро получить доступ к необходимым данным. Выбранная программная реализация показала свою эффективность при обработке больших массивов данных. Веб-интерфейсы, разработанные в ИКИ РАН, дают возможность пользователю, не имеющему специализированного

программного

обеспечения,

получить

доступ

к

результатам предварительной и тематической обработки данных Terra-MODIS. Полученные данные о площадях и пространственном распределении пахотных земель необходимы для решения задач регулирования аграрного комплекса, а также для проведения фундаментальных научных исследований динамики биосферы и климата. Полученные результаты были использованы при проведении Всероссийской сельскохозяйственной переписи 2006 года (http://www.perepis2006.ru) в качестве независимого источника информации.

140

Заключение Представленная

диссертационная

работа

содержит

результаты

исследований и научных разработок автора, направленных на решение актуальных задач мониторинга сельскохозяйственных земель по данным дистанционного зондирования Земли со спутников. Разработанные методы предварительной обработки данных MODIS позволяют регулярно в автоматическом режиме формировать очищенные от влияния облачного и снежного покрова композитные изображения земной поверхности.

Созданная

автоматическая

технология

предварительной

обработки спутниковых данных MODIS дала возможность сформировать пополняемый архив композитных изображений на территорию аграрных регионов России за период с 2002 года по настоящее время. Разработанные автоматические методы и алгоритмы тематического анализа временных рядов данных наблюдений, получаемых съемочной системой MODIS, были использованы для выявления различных типов сельскохозяйственных

посевов

на региональном

уровне. В

частности,

апробация разработанных методов на территории Ростовской области позволила выявить участки и провести многолетнюю оценку площадей посевов озимой пшеницы, подсолнечника, а также полей чистого пара. На основе использования данных многолетних спутниковых наблюдений съемочной системой MODIS был разработан регионально адаптивный автоматический алгоритм детектирования используемых пахотных земель. Созданный метод позволил выявить по данным MODIS используемые пахотные земли на территории 56 субъектов Российской Федерации, включающих 92 % посевной площади страны. Проведенное с использованием материалов наземных обследований, данных государственной статистики и независимого визуального анализа ДДЗ высокого разрешения сравнение позволило оценить качество полученных результатов. Среднее расхождение полученных по результатам обработки 141

данных MODIS площадей используемых пахотных земель с данными государственной статистики по субъектам РФ составило 18 %. Сравнение полученных результатов об используемых пахотных землях с материалами дешифрирования спутниковых изображений высокого пространственного разрешения для систематической выборки, включающей 492 контрольных участка и охватывающей все аграрные регионы России, показало совпадение в 91 % случаев. Полученные

автором

результаты

используются

при

разработке

Информационной системы сельскохозяйственного мониторинга Минсельхоза РФ, а также при выполнении ряда научно-исследовательских работ ИКИ РАН в области картографирования и оценки динамики наземных экосистем Северной Евразии. Данные о наличии и пространственном размещении используемых пахотных

земель

нашли

применение

при

сельскохозяйственной переписи 2006 года.

142

проведении

Всероссийской

Библиографический список 1. Регионы России. Социально-экономические показатели. 2005: Стат. сб. // М.: Росстат, 2006. – 982 с. 2. Сельское хозяйство, охота и лесоводство в России: Стат. сб. // М.: Росстат, 2004. – 478 c. 3. Агропромышленный комплекс России в 2004 году, Отв. за выпуск: Акаткин Ю.М., Езепчук В.С., Корсун А.П. // М.: Россельхоз, 2005. – 577 с. 4. Карта земельных угодий СССР м. 1 : 4 000 000 // под ред. Л.Ф.Январевой, М.: ГУГК, 1989. 5. Андраско К., Сонген Б., Гитарский М. и др. Запасы и потоки углерода в лесном и земельном фондах России: инвентаризация и потенциал смягчения последствий климатических изменений // Доклад Института мировых ресурсов, 2005. 6. Замолодчиков Д.Г., Коровин Г.Н., Уткин А.И. и др. Углерод в лесном фонде и сельскохозяйственных угодьях России // М.: КМК, 2005. 7. Кондратьев К.Я., Козодеров В.В., Федченко П.П. Аэрокосмические исследования почв и растительности // Ленинград: Гидрометеоиздат, 1986. – 226 с. 8. Кондратьев К.Я., Федченко П.П. Спектральная отражательная способность и распознавание растительности // Ленинград: Гидрометеоиздат, 1982. – 216 с. 9. Рачкулик В.И., Ситникова М.В. Отражательные свойства и состояние растительного покрова // Ленинград: Гидрометеоиздат, 1981. – 284 с. 10. Ackerman S.A., Strabala K.I., Menzel P.W. et al. Discriminating clear sky from clouds with MODIS // Journal of Geophysical Research, 1998. – № 103. – P. 141-157. 11. Еремеев

В.А.,

Мордвинцев

И.Н.,

Платонов

Н.Г.

Современные

гиперспектральные сенсоры и методы обработки гиперспектральных данных // Исследование Земли из космоса, 2003. – № 6. – С. 80-90. 143

12. Ефременко В.В., Чимитдориев Т.Н. Об использовании различных индексов вегетации в дистанционном зондировании экосистем // Исследование Земли из космоса, 1998. – № 3. – С. 49-56. 13. Jackson R.D. Spectral indices in n-space // Remote Sensing of Environment, 1983. – № 13. – P. 409-421. 14. Wiegand C. L., Richardson A. J., Escobar D. E. et al. Vegetation indices in crop assessments // Remote Sensing of Environment, 1991. – № 35. – P. 105-119. 15. Huete A., Justice C.O., Liu H. Development of vegetation and soil indices for MODIS-EOS // Remote Sensing of Environment, 1994. – № 49. – P. 224-234. 16. Baret F., Guyot G. Potentials and limits of vegetation indices for LAI and APAR assessment // Remote Sensing of Environment, 1991. – № 35. – P. 161-173. 17. Huete A., Didan K., Miura T. et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices // Remote Sensing of Environment, 2002. – № 83. – P. 195-213. 18. Haboudane D., Miller J.R., Pattey E. et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision // Remote Sensing of Environment, 2004. – № 90. – P. 337-352. 19. Steven M.D., Malthus J.T., Baret F. et al. Intercalibration of vegetation indices from different sensor systems // Remote Sensing of Environment, 2003. – № 88. – P. 412-422. 20. Гарбузов Г.П., Повх В.И., Шляхова Л.А. Космический мониторинг сельскохозяйственных угодий Ростовской области // Исследование Земли из космоса, 2006. – № 3. – С. 89-96. 21. Щербенко

Е.В.

Методика

экспресс-оценки

ущерба,

наносимого

сельскохозяйственным культурам паводками, с использованием данных космической съемки // Исследование Земли из космоса, 2002. – № 6. – С. 70-80.

144

22. Seelan S.K, Laguette S., Casady G.M. et al. Remote sensing applications for precision agriculture: A learning community approach // Remote Sensing

of

Environment, 2003. – № 83. – P. 157-169. 23. South S., Qi J., Lusch D.P. Optimal classification methods for mapping agricultural tillage practices // Remote Sensing of Environment, 2004. – № 91. – P. 90-97. 24. Cihlar J., Ly H., Xiao Q. Land cover classification with AVHRR multichannel composites in northern environments // Remote Sensing of Environment, 1996. – № 58. – P. 36-51. 25. Hill J.M., Donald G.E. Estimating spatio-temporal patterns of agricultural productivity in fragmented landscapes using AVHRR NDVI time series // Remote Sensing of Environment, 2003. – № 84. – P. 367-384. 26. Kerdiles H., Grondona M.O. Crop acreage subpixel estimation from NOAAAVHRR data: A test study in the pampa region. Argentina // Proc. SPIE Int. Soc. Opt. Eng., 1995. – Vol. 2314. – P. 371-382. 27. Gallego F.J. Remote sensing and land cover area estimation // International Journal of Remote Sensing, 2004. – Vol. 25. – № 14. – P. 3019-3047. 28. Вандышева Н.М., Василенко Г.И., Гуров А.Ф. и др. Мониторинг сельскохозяйственных земель на базе разномасштабных спутниковых данных // Исследование Земли из космоса, 2003. – № 3. – С. 72-84. 29. Doraiswamy P.C., Hatfield J.L., Jackson T.J. et al. Crop condition and yield simulations using Landsat and MODIS // Remote Sensing of Environment, 2004. – № 92. – P. 548-559. 30. Doraiswamy P.C., Sinclair T.R., Hollinger S. et al. Application of MODIS derived parameters for regional crop yield assessment // Remote Sensing of Environment, 2005. – № 97. – P. 192-202. 31. Xiao X., Boles S., Frolking S. et al. Mapping paddy rice agriculture in South and Southeast Asia using multi-temporal MODIS images // Remote Sensing of Environment, 2006. – № 100. – P. 95-113. 145

32. Xiao X., Boles S., Liu J. et al. Mapping paddy rice agriculture in southern China using multi-temporal MODIS images // Remote Sensing of Environment, 2005. – № 95. – P. 480-492. 33. Sakamoto T., Yokozawa M., Toritani H. et al. A crop phenology detection method using time-series MODIS data // Remote Sensing of Environment, 2005. – № 96. – P. 366-374. 34. Zhang X., Friedl M.A., Schaaf C.B. et al. Monitoring vegetation phenology using MODIS // Remote Sensing of Environment, 2003. – № 84. – P. 471-475. 35. Байкалова Т.В., Евтюшкин А.В., Миронов В.Л. и др. Использование ГИС и данных дистанционного зондирования для оценки урожайности яровой пшеницы в Алтайском крае // Материалы межд. конф. «ГИС для устойчивого развития территорий», Апатиты: Изд-во Кольского научного центра РАН, 2000. – С. 68-72. 36. Евтюшкин А.В., Юшаков В.Н. Оценка урожайности сельскохозяйственных культур и выделение районов засухи в Алтайском крае по данным AVHRR и МСУ-СК // Материалы межд. конф. «Интеркарто-4: ГИС для оптимального

природопользования

в

целях

устойчивого

развития

территорий», Барнаул: Изд-во Алтайского ун-та, 1998. – С. 241-243. 37. Евтюшкин А.В., Юшаков В.Н., Рычкова Н.В. Использование данных дистанционного зондирования для распознавания зерновых культур и коррекции моделей биопродуктивности // Известия Алтайского гос. ун-та, 2002. – С. 63-67. 38. Евтюшкин А.В., Рычкова Н.В. Изучение динамики вегетационного индекса сельскохозяйственной зоны Западной Сибири по данным NOAA и подспутниковых полигонных измерений // Материалы 3-ей научнопрактической конференции «Электронная Россия», Екатеринбург: Баско, 2004. С. 54-61. 39. Байкалова Т.В., Евтюшкин А.В., Миронов В.Л. и др. Использование модели биопродуктивности EPIC

и сканерных космических изображений для

прогнозирования урожайности пшеницы на региональном уровне // Труды 146

3-ей

межд. конф. «Цифровая обработка информации и управление в

чрезвычайных ситуациях», Минск, 2002. 40. Брыксин В.М., Евтюшкин А.В. Оценка урожайности зерновых культур на основе данных дистанционного зондирования и модели биопродуктивности // Сб. материалов научного Конгресса «ГЕО-Сибирь-2005», Новосибирск: СГГА, 2005. – С. 218-223. 41. Брыксин В.М., Евтюшкин А.В. Оценка урожайности зерновых культур на Юге Западной Сибири на основе модели EPIC и многовременных космоснимков MODIS //Сб. трудов III Научно-практической конференции «Обратные

задачи

и

информационные

технологии

рационального

природопользования», Ханты-Мансийск, 2006. 42. Fritz S., Savin I., Massart M. et al. The use of MODIS data to derive acreage estimations: a case study in Rostov region of Russia // Proceedings of 31 ISRSE, Saint-Petersburg, 2005. 43. Savin I., Nègre T. Relative time NDVI mosaics as an indicator of crop growth // Proc. SPIE Int. Soc. Opt. Eng., 2003. – Vol. 4879. – P. 100-107. 44. Савин И.Ю., Негрэ Т. О новом подходе к использованию NDVI для мониторинга

состояния

посевов

сельскохозяйственных

культур

//

Исследование Земли из космоса, 2003. – № 4. – С. 91-96. 45. Архипкин О.П., Султангазин У.М., Спивак Л.Ф. и др. Опыт функционирования и перспективы развития системы космического мониторинга чрезвычайных ситуаций в Казахстане // Сб. науч. стат. Всероссийской конф. «Современные проблемы дистанционного зондирования Земли из космоса» под ред. О.Ю.Лавровой, Е.А.Лупяна, М.: Полиграф сервис, 2004. – С. 90-97. 46. Архипкин О.П., Спивак Л.Ф., Панкратов В.С. и др. Технология мониторинга паводков и наводнений в Западном Казахстане // Сб. науч. стат. Всероссийской конф. «Современные проблемы дистанционного зондирования Земли из космоса» под ред. О.Ю.Лавровой, Е.А.Лупяна, М.: Полиграф сервис, 2004. – С. 279-285. 147

47. Муратова Н.Р., Султангазин У.М., Терехов А.Г. и др. Диагностика топографии северо-восточного побережья Каспийского моря в зоне сгоннонагонных явлений на базе данных TERRA/MODIS // Сб. науч. стат. Второй всерос. конф. «Современные проблемы дистанционного зондирования Земли из космоса» под ред. О.Ю.Лавровой, Е.А.Лупяна, М.: GRANP polygraph, 2005. – С. 297-301. 48. Муратова Н.Р., Султангазин У.М., Терехов А.Г. К вопросу о влиянии запусков космических объектов с космодрома Байконур на состояние растительности сопредельных территорий по данным NOAA/AVHRR // Сб. науч. стат. Второй всерос. конф. «Современные проблемы дистанционного зондирования Земли из космоса» под ред. О.Ю.Лавровой, Е.А.Лупяна, М.: Полиграф сервис, 2005. – С. 294-296. 49. Муратова Н.Р., Терехов А.Г. Опыт оценки весенних запасов почвенной влаги на основе спутниковой информации и наземных обследований // Сб. науч. стат. Всероссийской конф. «Современные проблемы дистанционного зондирования Земли из космоса» под ред. О.Ю.Лавровой, Е.А.Лупяна, М.: Полиграф сервис, 2004. – С. 191-196. 50. Дорайсвами Р., Муратова Н.Р., Султангазин У.М. и др. Оценка санитарного состояния сельскохозяйственных угодий с помощью данных дистанционного

зондирования

//

Сб.

науч.

стат.

Всероссийской

конф.

«Современные проблемы дистанционного зондирования Земли из космоса» под ред. О.Ю.Лавровой, Е.А.Лупяна, М.: Полиграф сервис, 2004. 51. Муратова Н.Р., Султангазин У.М., Терехов А.Г. Использование космического мониторинга в планировании и прогнозировании параметров зернового

производства

//

Сб.

науч.

стат.

Всероссийской

конф.

«Современные проблемы дистанционного зондирования Земли из космоса» под ред. О.Ю.Лавровой, Е.А.Лупяна, М.: Полиграф сервис, 2004. – С. 291297. 52. Архипкин О.П., Спивак Л.Ф., Нургалиев С.Г. и др. Дистанционная оценка площадей

зерновых

в

Казахстане 148

по

данным

гиперспектрального

радиометра MODIS // Исследование Земли из космоса. № 2, 2003. – С. 80-84. 53. Муратова Н.Р., Султангазин У.М., Терехов А.Г. Контроль севооборота пахотных земель северного Казахстана по данным TERRA/MODIS // Сб. науч. стат. Второй всерос. конф. «Современные проблемы дистанционного зондирования Земли из космоса» под ред. О.Ю.Лавровой, Е.А.Лупяна, М.: GRANP polygraph, 2005. – С. 302-307. 54. Sultangazin U., Muratova N., Terekhov A. Northern Kazakhstan agriculture monitoring by Terra/MODIS // Proceedings of 31 ISRSE, Saint-Petersburg, 2005. 55. Муратова Н.Р., Терехов А.Г. Оценка дат ярового сева в Северном Казахстане по данным Terra-MODIS // Сб. науч. стат. Второй всерос. конф. «Современные проблемы дистанционного зондирования Земли из космоса» под ред. О.Ю.Лавровой, Е.А.Лупяна, М.: GRANP polygraph, 2005. – С. 312317. 56. Doraiswamy P., Muratova N., Sinclair T. et al. Evaluation of MODIS data for assessment of regional spring wheat yield in Kazakhstan // Proceedings of Geoscience and Remote Sensing symposium IGARSS`02, 2002. – Vol 1. – P. 487-490. 57. Agricultural monitoring meeting convened for the integrated global observations for land theme // Материалы семинара IGOL, Рим, 2006. – 34 p. 58. Earth Observation System (EOS) Data Products Handbook, eds. King M.D., Closs J., Spangler S. et al. // Greenbelt Maryland: NASA Goddard Space Flight Center, 2003. – Vol. 1. – 258 p. 59. Earth Observation System (EOS) Data Products Handbook, eds. Parkinson C.L., Greenstone R. // Greenbelt, Maryland: NASA Goddard Space Flight Center, 2000. – Vol. 2. – 253 p. 60. Friedl M.A., McIver D.K., Hodges J.C.F. et al. Global land cover mapping from MODIS: algorithms and early results // Remote Sensing of Environment, 2002. – № 83. – P. 287-302. 149

61. Guenther B., Xiong X., Salomonson V.V. et al. On-orbit performance of the Earth Observing System Moderate Resolution Imaging Spectroradiometer; first year of data // Remote Sensing of Environment, 2002. – № 83. – P. 16-30. 62. Justice C.O., Townshend J.R.G., Vermote E.F. et al. An overview of MODIS Land data processing and product status // Remote Sensing of Environment, 2002. – № 83. – Р. 3-15. 63. Justice C.O., Vermote E., Townshend J.R.G. et al. The moderate resolution imaging spectroradiometer (MODIS): land remote sensing for global research // IEEE Transactions on Geoscience and Remote Sensing, 1998. – Vol 36. – № 4. – P. 1228-1249. 64. Justice C.O., Townshend J. Special issue on the moderate resolution imaging spectroradiometer (MODIS): a new generation of land surface monitoring // Remote Sensing of Environment, 2002. – № 83. – P. 1-2. 65. Xiong X., Chiang K., Esposito J.

et al. MODIS on-orbit calibration and

characterization // Metrologia. № 40, 2003. – P. 89-92. 66. Kalvelage T., Willems J. Supporting users through integrated retrieval, processing, and distribution systems at the Land Processes Distributed Active Archive Center // Acta Astronautica. – Vol. 56. – № 7. – P. 681-687. 67. Seong J.C., Mulcahy K.A., Usery E.L. The sinusoidal projection: a new importance in relation to global image data // The Professional Geographer, 2002. – № 54. – P. 218-225. 68. Бурцев М.А., Мазуров А.А., Нейштадт И.А. и др. Построение архива спутниковых данных для анализа динамики растительности, Сб. науч. статей «Современные проблемы дистанционного зондирования Земли из космоса» под ред. Е.А. Лупяна, О.Ю. Лавровой, М.: «Азбука-2000», 2006. – Т. 1. – С. 170-174. 69. Дейвис Ш.М., Ландгребе Д.А., Филлипс Т.Л. и др. Дистанционное зондирование: количественный подход // Пер. с англ. М.: Недра, 1983. – 415 с. 150

70. Key J., Barry R.G. Cloud cover analysis with arctic AVHRR data // Journal of Geophysical Research, 1989. – Vol. 94. – № D15. – P. 18,521-18,535. 71. Rossow W.B. Measuring cloud properties from space: A review // Journal of Climate, 1989. – № 2, – P. 201-203. 72. Rossow W.B., Gardner L.C., Lacis A.A. Global, seasonal cloud variations from satellite radiance measurements, I. Sensitivity of analysis // Journal of. Climate, 1989. – № 2. – P. 419-458. 73. Bartalev S., Achard F., Erchov D. et al. The potential contribution

of

SPOT4/VEGETATION data for mapping Siberian forest cover at the continental scale // Proc. of the VEGETATION Workshop held in Belgirate, Italy 3rd to 6th April 2000, (CNES: Toulouse, France), 2000. – P.127-142. 74. Hoffer R.M., Staff

N.

Computer-aided analysis of SKYLAB multispectral

scanner data in mountainous terrain for land use // Forestry, Water resource and geologic applications, Final report, NASA contract no. NAS9-13380, SKYLAB EREP project 398. LARS information note 121275, Laboratory for applications of remote sensing. Purdue university, West Lafayette, Ind., 1975. 75. MODIS Level 1A Earth Location: Algorithm Theoretical Basis Document Version 3.0, eds. Nishihama M., Wolfe R., Solomon D. et al., 1997. 76. Hall D.K., Riggs G.A., Salomonson V.V. Development of methods for mapping global snow cover using moderate resolution imaging spectroradiometer data // Remote Sensing of Environment, 1995. – № 54. – P. 127-140. 77. Барталев С.А., Егоров В.А., Ильин В.О. и др. Синтез улучшенных сезонных изображений Северной Евразии для картографирования и мониторинга динамики растительности по данным SPOT-Vegetation. // Солнечно-земная физика. Выпуск 5 (118), 2004. – С. 12-14. 78. Енюков И.С., Ретинская И.В., Скуратов А.К. Статистический анализ и мониторинг научно-образовательных интернет-сетей // М.: Финансы и статистика, 2004. – 320 с. 79. Книжников Ю.Ф., Кравцова В.И., Тутубалина О.В. Аэрокосмические методы географических исследований // М.: Академия, 2004. – 336 c. 151

80. Уваров

И.А.,

Барталев

С.А.

Разработка

классификации

наземных

экосистем

по

обучаемого данным

алгоритма

Terra-MODIS

с

использованием опорных тематических данных // Тез. Четвертой всерос. конф. «Современные проблемы дистанционного зондирования Земли из космоса», 2006. 81. Зоидзе Е.К., Овчаренко Л.И. Сравнительная оценка сельскохозяйственного потенциала

климата

территории

РФ

и

степени

использования

ее

агроклиматических ресурсов // СПб.: Гидрометеоиздат, 2000. – 75 с. 82. Агроклиматический справочник по Ростовской области // Ленинград: Гидрометеоиздат, 1961. 83. Справочник агронома по сельскохозяйственной метеорологии // Ленинград: Гидрометеоиздат, 1986. – 340 с. 84. Бабушкин О.Л., Грингоф И.Г., Шамен А.М. Толковый словарь по сельскохозяйственной метеорологии // СПб.: Гидрометеоиздат, 2002. – 470 с. 85. Третьяков Н.Н., Ягодин Б.А., Туликов А.М. Агрономия // М.: Академия, 2004. – 480 c. 86. Площади, валовые сборы и урожайность сельскохозяйственных культур и многолетних насаждений // Краснодар: Краснодарстат, 2004. 87. Посевные площади, валовые сборы и урожайность сельхозкультур в хозяйствах

всех

категорий

Ростовской

области

//

Ростов-на-Дону:

Ростовобластат, 2001; 2002; 2003; 2004. 88. Инструкция

по

заполнению

формы

федерального

государственного

статистического наблюдения № 29-сх «Сведения о сборе урожая сельскохозяйственных культур». Утверждена постановлением Госкомстата России от 26 сентября 2002 № 184. 89. Bartalev S.A., Belward A.S., Erchov D.V. et al. A new SPOT4-VEGETATION derived land cover map of Northern Eurasia // International Journal of Remote Sensing, 2003. – Vol. 24. – № 9. – P. 1977-1982. 152

Приложение А (справочное) Список опубликованных работ по теме диссертации 1. Нейштадт И.А. Организация системы сбора и обработки спутниковых данных для мониторинга сельскохозяйственных районов [Текст] / С.А. Барталев, Д.М. Ершов, Е.А. Лупян, А.А. Мазуров, Н.Н. Мельник, И.А. Нейштадт, А.А. Прошин, В.Н. Темников, Е.В. Флитман // Тез. Всеросс. конф. «Современные проблемы дистанционного зондирования Земли из космоса», Москва, ИКИ РАН, 2003. – С. 26. 2. Нейштадт И.А. Алгоритмы анализа данных Terra-MODIS для мониторинга сельскохозяйственных земель [Текст] / И.А. Нейштадт, С.А. Барталев // Тез. Конф. молодых ученых, посв. Дню космонавтики, Москва, ИКИ РАН, 2004. – С. 22. 3. Нейштадт И.А Алгоритмы анализа данных спутниковых наблюдений TerraMODIS

для

мониторинга

сельскохозяйственных

земель

[Текст]

/

И.А. Нейштадт, С.А. Барталев, Д.М. Ершов, Е.А. Лупян, И.Ю. Савин // Сб. науч. статей Межд. науч.-техн. конф., посв. 225-летию МИИГАиК, М.: Геоинформатика, 2004. – С. 205-209. 4. Нейштадт И.А Дистанционная оценка параметров сельскохозяйственных земель по спутниковым данным спектрорадиометра MODIS [Текст] / С.А. Барталев, Е.А. Лупян, И.А. Нейштадт, И.Ю. Савин // Cб. науч. статей «Современные проблемы дистанционного зондирования Земли из космоса» под. ред. Е.А. Лупяна, О.Ю. Лавровой, М.: GRANP polygraph, 2005. – С. 228236. 5. Нейштадт И.А распространения

Система автоматизированного сбора, обработки и спутниковых

данных

для

мониторинга

сельскохозяйственных земель [Текст] / С.А. Барталев, М.А. Бурцев, Д.В. Ершов, В.Ю. Ефремов, В.В. Ильин, Е.А. Лупян, А.А. Мазуров, Н.Н. Мельник, И.А. Нейштадт, А.А. Полищук, А.В. Столпаков, А.А. Прошин, 153

В.А. Темников, Е.В. Флитман // Сб. науч. статей «Современные проблемы дистанционного зондирования Земли из космоса» под ред. Е.А. Лупяна, О.Ю. Лавровой, М.: GRANP polygraph, 2005. – C. 140-148. 6. Нейштадт И.А. Оценка площадей посевов сельскохозяйственных культур по данным дистанционного зондирования [Текст] / И.А. Нейштадт, С.А. Барталев // Тез. Конф. молодых ученых, посв. вопросам исследования и использования космического пространства в интересах фундаментальных наук, Москва, ИКИ РАН, 2005. – С. 30. 7. Neyshtadt I. Remote sensing applications for agriculture monitoring in the Northern Eurasia / Bartalev S., Loupian E., Neyshtadt I., Savin I. // Proceedings of 31st International Symposium on Remote Sensing of Environment, SaintPetersburg, 2005. – P. 24-26. 8. Neyshtadt I. Monitoring of vegetation dynamics in Northern Eurasia using timeseries data from VEGETATION and MODIS satellite sensors / Bartalev S., Egorov V., Kuryatnikova T., Loupian E., Neyshtadt I., Uvarov I. // Abstract for Western Pacific Geophysics Meeting (AGU) in July 24-27, 2006, Beijing, China. 9. Нейштадт И.А. Классификация некоторых типов сельскохозяйственных посевов в южных регионах России по спутниковым данным MODIS [Текст] / С.А. Барталев, Е.А. Лупян, И.А. Нейштадт, И.Ю. Савин // Исследование Земли из космоса, 2006. – № 3. – С. 68-75. 10. Нейштадт И.А. Метод выявления используемых пахотных земель по данным дистанционного зондирования со спутников [Текст] / С.А. Барталев, Е.А. Лупян, И.А. Нейштадт // Сб. науч. статей «Современные проблемы дистанционного зондирования Земли из космоса» под ред. Е.А. Лупяна, О.Ю. Лавровой, М.: «Азбука-2000», 2006. – Т. 2. – С. 271-280. 11. Нейштадт И.А. Построение архива спутниковых данных для анализа динамики растительности [Текст] / М.А. Бурцев, А.А. Мазуров, И.А. Нейштадт, А.А. Прошин // Сб. науч. статей «Современные проблемы дистанционного зондирования Земли из космоса» под ред. Е.А. Лупяна, О.Ю. Лавровой, М.: «Азбука-2000», 2006. – Т. 1. – С. 170-174. 154

12. Нейштадт

И.А. Построение безоблачных

изображений

MODIS

для

мониторинга

композитных

спутниковых

растительности

[Текст]

/

И.А. Нейштадт // Сб. науч. статей «Современные проблемы дистанционного зондирования Земли из космоса» под ред. Е.А. Лупяна, О.Ю. Лавровой, М.: «Азбука-2000», 2006. – Т. 2. – С. 359-365. 13. Нейштадт

И.А.

информационной

Структура системы

и

функциональные

TerraNorte

для

поддержки

возможности спутникового

мониторинга бореальных экосистем [Текст] / И.А. Уваров, С.А. Барталев, В.А. Егоров, Е.А. Лупян, И.А. Нейштадт, Т.С. Ховратович // Сб. науч. статей «Современные проблемы дистанционного зондирования Земли из космоса» под ред. Е.А. Лупяна и О.Ю. Лавровой, М.: «Азбука-2000», 2006. – Т. 2. – С. 375-379. 14. Нейштадт

И.А.

Построение

карты

пахотных

земель

по

данным

дистанционного зондирования [Текст] / И.А. Нейштадт, С.А. Барталев // Тез. Конф. молодых ученых, посв. вопросам исследования и использования космического пространства в интересах фундаментальных наук, Москва, ИКИ РАН, 2006. – С. 37. 15. Нейштадт И.А. Оценка возможности использования данных Terra-MODIS для картографирования растительности России [Текст] / И.А. Уваров, И.А. Нейштадт, С.А. Барталев // Тез. Конф. молодых ученых, посв. вопросам исследования и использования космического пространства в интересах фундаментальных наук, Москва, ИКИ РАН, 2006. – С. 39. 16. Нейштадт И.А. Опыт использования и перспективы развития системы спутникового мониторинга сельскохозяйственных земель МСХ РФ [Текст] / Ю.М. Акаткин, С.А. Барталев, Н.Н. Мельник, Е.А. Лупян, И.А. Нейштадт, Д.В. Ляпинков, А.В. Столпаков, В.Н. Темников, В.А. Толпин, Е.В. Флитман //

Тез.

Четвертой

откр.

всерос.

конф.

«Современные

проблемы

дистанционного зондирования Земли из космоса», Москва ИКИ РАН, 2007. – С. 3. 155

17. Нейштадт И.А. Разработка методов мониторинга пахотных земель России по данным спутниковых наблюдений радиометром MODIS [Текст] / И.А. Нейштадт, С.А. Барталев, Е.А. Лупян, Е.В. Щербенко // Тез. Четвертой откр. всерос. конф. «Современные проблемы дистанционного зондирования Земли из космоса», Москва ИКИ РАН, 2007. – С. 222. 18. Нейштадт И.А. Использование данных MODIS для оценки состояния сельскохозяйственных культур на основе межгодовой динамики [Текст] / С.А. Барталев, М.А.Бурцев, Е.А. Лупян, А.А. Мазуров, И.А. Нейштадт, А.А. Прошин, В.А. Толпин // Тез. Четвертой откр. всерос. конф. «Современные проблемы дистанционного зондирован120ия Земли из космоса», Москва ИКИ РАН, 2007. – С. 201.

156

Приложение Б (справочное) Список докладов на конференциях по теме диссертации 1. Организация системы сбора и обработки спутниковых данных для мониторинга сельскохозяйственных регионов. Всероссийская конференция «Современные проблемы дистанционного зондирования Земли из космоса», Москва, ИКИ РАН, 10-12 ноября 2003 г. 2. Алгоритмы

обработки

данных

Terra-MODIS

для

мониторинга

сельскохозяйственных земель. Конференция молодых ученых, посвященная Дню космонавтики, Москва, ИКИ РАН, 9 апреля 2004 г. 3. Алгоритмы анализа данных спутниковых наблюдений TERRA-MODIS для мониторинга

сельскохозяйственных

земель.

Международная

научно-

техническая конференция, посвященная 225-летию МИИГАиК, Москва, МИИГАиК, 24-27 мая 2004 г. 4. Дистанционная

оценка

спутниковым

данным

параметров

сельскохозяйственных

спектрорадиометра

MODIS.

земель

по

Всероссийская

конференция «Современные проблемы дистанционного зондирования Земли из космоса», Москва, ИКИ РАН, 16-18 ноября 2004 г. 5. Система

автоматизированного

сбора,

обработки

и

распространения

спутниковых данных для мониторинга сельскохозяйственных земель. Вторая

всероссийская

конференция

«Современные

проблемы

дистанционного зондирования Земли из космоса», Москва, ИКИ РАН, 16-18 ноября 2004 г. 6. Оценка площадей посевов сельскохозяйственных культур по данным дистанционного зондирования. Конференция молодых ученых, посвященная вопросам исследования и использования космического пространства в интересах фундаментальных наук, Москва, ИКИ РАН, 8 апреля 2005 г.

157

7. Remote sensing applications for agriculture monitoring in the Northern Eurasia. 31st

International

Symposium

on

Remote

Sensing

of

Environment,

Saint-Petersburg, NIERSC, 18-24 June 2005. 8. Оценка

структуры

зондирования

пахотных

земель

спектрорадиометром

по

MODIS.

данным

дистанционного

Третья

всероссийская

конференция «Современные проблемы дистанционного зондирования Земли из космоса», Москва, ИКИ РАН, 14-17 ноября 2005 г. 9. Построение

архива

растительности.

спутниковых

Третья

данных

всероссийская

для

анализа

конференция

динамики

«Современные

проблемы дистанционного зондирования Земли из космоса», Москва, ИКИ РАН, 14-17 ноября 2005 г. 10. Структура и функциональные возможности информационной системы TerraNorte

для

поддержки

спутникового

мониторинга

бореальных

экосистем. Третья всероссийская конференция «Современные проблемы дистанционного зондирования Земли из космоса», Москва, ИКИ РАН, 14-17 ноября 2005 г. 11. Построение

карты

пахотных

земель

по

данным

дистанционного

зондирования. Конференция молодых ученых, посвященная вопросам исследования и использования космического пространства в интересах фундаментальных наук, Москва, ИКИ РАН, 12 апреля 2006 г. 12. Оценка

возможности

использования

данных

Terra-MODIS

для

картографирования растительности России. Конференция молодых ученых, посвященная вопросам исследования и использования космического пространства в интересах фундаментальных наук, Москва, ИКИ РАН, 12 апреля 2006 г. 13. Monitoring of vegetation dynamics in Northern Eurasia using time-series data from VEGETATION and MODIS satellite sensors // Western Pacific Geophysics Meeting (AGU), July 24-27, 2006, Beijing, China. 14. Опыт использования и перспективы развития системы спутникового мониторинга сельскохозяйственных земель МСХ РФ. Четвертая всерос158

сийская

конференция

«Современные

проблемы

дистанционного

зондирования Земли из космоса», Москва, ИКИ РАН, 13-17 ноября 2006 г. 15. Разработка методов мониторинга пахотных земель России по данным спутниковых наблюдений радиометром MODIS. Четвертая всероссийская конференция «Современные проблемы дистанционного зондирования Земли из космоса», Москва, ИКИ РАН, 13-17 ноября 2006 г. 16. Использование данных MODIS для оценки состояния сельскохозяйственных культур на основе межгодовой динамики. Четвертая всероссийская конференция «Современные проблемы дистанционного зондирования Земли из космоса», Москва, ИКИ РАН, 13-17 ноября 2006 г.

159

Приложение В (справочное) Стандартные продукты спутниковых данных MODIS Название* Описание Surface Reflectance Отражательная способность MOD09A1 Surface Reflectance 8-Day L3 Global 500m MYD09A1 MOD09GHK Surface Reflectance Daily L2G Global 500m MYD09GHK MOD09GQK Surface Reflectance Daily L2G Global 250m MYD09GQK MOD09GST Surface Reflectance Quality Daily L2G Global 1km MYD09GST MOD09Q1 Surface Reflectance 8-Day L3 Global 250m MYD09Q1 Land Surface Temperature and Emissivity Температура поверхности Земли и исходящее излучение MOD11_L2 Land Surface Temperature/Emissivity 5-Min L2 Swath MYD11_L2 1km MOD11A1 Land Surface Temperature/Emissivity Daily L3 Global MYD11A1 1km MOD11A2 Land Surface Temperature/Emissivity 8-Day L3 Global MYD11A2 1km MOD11B1 Land Surface Temperature/Emissivity Daily L3 Global MYD11B1 5km MOD11C1 Land Surface Temperature/Emissivity Daily L3 Global MYD11C1 0.05Deg CMG MOD11C2 Land Surface Temperature/Emissivity 8-Day L3 Global MYD11C2 0.05Deg CMG MOD11C3 Land Surface Temperature/Emissivity Monthly L3 MYD11C3 Global 0.05Deg CMG Land Cover/Change Типы земного покрова/Изменение типов земного покрова MOD12Q1 Land Cover Type 96-Day L3 Global 1km MOD12Q2 Land Cover Dynamics Yearly L3 Global 1km Vegetation Indices Вегетационные индексы MOD13A1 Vegetation Indices 16-Day L3 Global 500m MOD13A1 MOD13A2 Vegetation Indices 16-Day L3 Global 1km MYD13A2 160

Vegetation Indices Monthly L3 Global 1km MOD13A3 MYD13A3 MOD13Q1 Vegetation Indices 16-Day L3 Global 250m MYD13Q1 Thermal Anomalies/Fire Температурные аномалии/Пожары MOD14 Thermal Anomalies/Fire 5-Min L2 Swath 1km MYD14 MOD14A1 Thermal Anomalies/Fire Daily L3 Global 1km MYD14A1 MOD14A2 Thermal Anomalies/Fire 8-Day L3 Global 1km MYD14A2 Leaf Area Index/Fraction of Photosynthetically Active Radiation (LAI/FPAR) Индекс листовой поверхности/ Доля фотосинтетически активной радиации MOD15A2 Leaf Area Index/FPAR 8-Day L4 Global 1km MYD15A2 Net Primary Vegetation Production Чистая продуктивность растительности MOD17A2 Net Photosynthesis 8-Day L4 Global 1km MYD17A2 MOD17A3 Net Primary Production Yearly L4 Global 1km MYD17A3 MOD17CM Net Photosynthesis 32-Day L4 Global 0.05Deg CMG MYD17CM MOD17CY Net Primary Production Yearly L4 Global 0.05Deg MYD17CY CMG Bidirectional Reflectance Distribution Function / Albedo Индикатриса отражения / Альбедо MOD43B1 BRDF/Albedo Model-1 16-Day L3 Global 1km MCD43B1 MOD43B3 Albedo 16-Day L3 Global 1km MCD43B3 MOD43B4 Nadir BRDF-Adjusted Reflectance 16-Day L3 Global MCD43B4 1km MOD43C1 Albedo 16-Day L3 Global 0.25/0.05Deg CMG MCD43C1 MOD43C2 BRDF/Albedo Parameters 16-Day L3 Global MCD43C2 0.25/0.05Deg CMG MOD43C3 Nadir BRDF-Adjusted Reflectance 16-Day L3 Global MCD43C3 0.05Deg CMG Vegetation Conversion / Continuous Fields Смена типов растительности MOD44A (по данным Vegetation Cover Conversion 32-Day L3 Global 250m Terra) 161

Geolocation Angles Углы Солнца и сенсора MODMGGAD Geolocation Angles Daily L2G Global 1km Day MYDMGGAD Pointer Files Служебная информация о съемке MODPT1KD Observation Pointers Daily L2G Global 1km Day MYDPT1KD MODPTHKM Observation Pointers Daily L2G Global 500m MYDPTHKM MODPTQKM Observation Pointers Daily L2G Global 250m MYDPTQKM Примечание * – Если не указано иное, в каждой ячейке первая строчка – имя продукта для прибора, установленного на борту спутника Terra, вторая – на борту Aqua

162