Сельское хозяйство характеризуются высокой нестабильностью. Особенно это заметно в районах с резкими колебаниями климата или в районах с низкой интенсивностью возделывания культур. В условиях такой нестабильности возрастает потребность в оперативном и продолжительном мониторинге земель сельскохозяйственного назначения. Рассмотрим способы обработки космических данных дистанционного зондирования Земли (далее – ДЗЗ) для мониторинга сельскохозяйственных земель.

Целью нашего исследования является изучение алгоритма работы мониторинга земель сельскохозяйственного назначения. Основные задачи исследования: изучить вегетационные периоды культур, определить оптимальный источник ДДЗ, провести классификацию с обучением, проанализировать полученные данные.

На сегодняшний день мониторингом земель сельскохозяйственного назначения чаще всего занимается государство, реже частные компании. Примером систем мониторинга могут послужить сервисы «ВЕГА-Science» [1] и Единая Федеральная Информационная Система о Землях Сельскохозяйственного Назначения [2]. Чаще всего результатами сельскохозяйственного мониторинга являются картосхемы с рассчитанным индексом NDVI или результаты визуального дешифрирования.

Для целей исследования использовались сельскохозяйственные поля на севере Краснодарского края расположенные между городами Ростов-на-Дону и Тихорецк. В рамках исследования изучались поля кукурузы, подсолнечника и сахарной свеклы.

Снимок Sentinel 2 на область исследования

При проведении мониторинга необходимо опередить оптимальные периоды вегетации выбранных культур, изучить их особенности хода роста и определить съемочную систему для получения данных ДЗЗ в заданные интервалы времени, в приемлемом спектральном диапазоне и пространственном разрешение каналов.

Вегетационный период кукурузы составляет от 85 до 140 дней в зависимости от сортовых особенностей. В условиях РФ в основном пригодны раннеспелые, среднеранние и среднеспелые гибриды, период вегетации этих видов примерно от 90 до 120 дней. Первые восходы появляются примерно через 10 дней. Стадия активного роста приходится на первые 30–40 дней, далее идет процесс созревания зерен [3].

Вегетационный период подсолнуха составляет от 80 до 100 дней. В южных регионах чаще выращивают среднеспелые сорта время созревания, которых составляет 90-100 дней. Первые восходы появляются примерно через 10-15 дней. Стадия активного роста приходится на первые 50-60 дней, далее идет процесс формирования корзинки и цветение [4].

Вегетационный период сахарной свеклы составляет примерно 160 дней для первого года жизни и около 120 дней для второго. Первые восходы появляются примерно через 10 дней. Стадия активного роста приходится на первые два месяца вегетации [5]. Проанализировав вегетационные периоды исследуемых культур, можно сделать вывод, что для качественного мониторинга наиболее оптимальный интервал получения ДДЗ - 10-20 дней.

Источник ДДЗ должен соответствовать следующим требованиям:

  • Свободный доступ к данным.
  • Пространственное и радиометрическое разрешения должно позволять распознавать тип культур.
  • Достаточное количество безоблачных снимков на исследуемую территорию.

Для этих критериев наиболее оптимальным выбором будет съемочная система Sentinel-2. Данные этой системы в открытом доступе, пространственное разрешение – 10 м, радиометрическое разрешение – 12 бит на пиксель, что является достаточным для целей этого исследования. В качестве рабочих каналов выбраны каналы видимого диапазона (2 – синий, 3 – зеленый, 4 – красный) и канал инфракрасного диапазона (8А – ближний инфракрасный). У всех выбранных каналов пространственное разрешение 10 м, что позволяет объединить их без дополнительной обработки.

Практически все культуры были засеяны в начале мая, учитывая это и периоды вегетации, можем получить необходимый интервал мониторинга. Для анализа исследуемой территории было использовано 18 снимков Sentinel-2 сделанных в период с 26 мая по 7 ноября 2018 года с интервалом в основном 5–15 дней. Все снимки прошли атмосферную коррекцию в специализированном программном обеспечении SNAP (Sentinel Application Platform).

Для автоматического распознавания сельскохозяйственных культур были использованы алгоритмы классификаций с обучением в программном обеспечении ENVI (Exelis Visual Information Solutions).


Параметры классификации

  1. Снимок Sentinel 2 на 10 июля 2018 года
  2. Классификация с обучением для изучаемых культур
  3. Постобработка функцией Sieve
  4. Постобработка функцией Clump

Перед началом работы особое внимание уделялось выбору эталонов для контролируемой классификации, так как от их качества зависит достоверность результатов классификации с обучением. В данном исследовании было проведено полевое дешифрирование, в результате чего были созданы эталоны, как для проведения классификации, так и для оценки достоверности. Отметим, что информацию по эталонам можно получать из различных источников (например «ВЕГА-Science»).

В качестве метода классификации был выбран метод наибольшего правдоподобия. Данная классификация предполагает нормальное распределение значений яркости для каждого класса и вычисляет вероятность принадлежности отельного пикселя к отдельному классу.

При обработке необходимо указать порог вероятности и коэффициент масштабируемости данных. Порог вероятности устанавливает предел значения, при котором пикселю присваивается класс, в нашей работе он соответствовал 0,9. А коэффициент масштабируемости данных равен максимально возможному значению при измерении данных. В нашем случае он вычисляется по формуле (2n – 1), где n – радиометрическое разрешение съемочной системы и равен 4095.

После построение классификации для каждой культуры на каждом снимке, мы накладываем классификации друг на друга, удаляя области с низким перекрытием. В итоге мы получим участки, на которых один и тот же класс выделялся в течение всего времени мониторинга.


Итоговые результаты классификации после совмещения

Данный метод мониторинга сильно подвержен влиянию облачности, даже если облака не закрывают эталоны, они значительно влияют на результаты общей классификации.

В дальнейшем планируется расширить этот метод мониторинга. Добавить к анализу каналы с другими спектральными диапазонами, использовать другие комбинации каналов, повысить оценку точности данного алгоритма.

Заказать обратный звонок
К началу страницы