Оценка состояния сельскохозяйственных посевов Краснодарского края по данным дистанционного зондирования: методика и результаты тема диссертации и автореферата по ВАК РФ 25.00.23, кандидат географических наук Кузнецов, Константин Владимирович

• Кузнецов, Константин Владимирович
• кандидат географических наук
• 2013

Оглавление диссертации кандидат географических наук Кузнецов, Константин Владимирович

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

1. Растениеводство Краснодарского края

1.1. Обзор растениеводства Краснодарского края: территориальный аспект

1.2. Типология административных образований Краснодарского края по показателям развития сельского хозяйства

1.3. Структура растениеводства в тестовых районах

2. Технология дистанционного зондирования в аспекте мониторинга сельскохозяйственных посевов

2.1. Спутники, используемые в целях мониторинга сельскохозяйственных земель и посевов

2.2 Вегетационные индексы. Понятие и особенности расчета

2.3. Мировой опыт

3. Пространственная оценка состояния сельскохозяйственных посевов

3.1. Практическое применение индекса Ж) VI в растениеводстве

3.2 Метод оценки локальной неравномерности распределения сельскохозяйственных посевов по данным вегетационного индекса

3.3. Результаты расчета локальной неравномерности

3.4. Применение нечеткой классификации для оценки состояния посевов

4. Использование спутниковых снимков для распознавания сельскохозяйственных культур в Краснодарском крае

4.1. Метод пороговых значений индекса АЮУ1

4.2. Метод классификации с обучением

5. \УеЬ-картографический ресурс для анализа АПК Краснодарского края

5.1. Обзор технических средств информационных систем социально-экономического мониторинга

5.2. Разработка картографического шеЬ-приложения

ЗАКЛЮЧЕНИЕ

БИБЛИОГРАФИЯ

Введение диссертации (часть автореферата) на тему «Оценка состояния сельскохозяйственных посевов Краснодарского края по данным дистанционного зондирования: методика и результаты»

ВВЕДЕНИЕ

Актуальность исследования. Для Краснодарского края, занимающего ведущее место по производству многих видов растениеводческой продукции в Российской Федерации, дальнейшее развитие растениеводства имеет стратегическое значение. Такому развитию при современных условиях хозяйствования способствует мониторинг состояния сельскохозяйственных посевов и земель, направленный, судя по существующим техническим разработкам, на решение целого ряда задач. Среди них - не только определение состояния озимых колосовых в разные периоды вегетации, оценка всхожести, засоренности, установление режима внесения удобрений, но и прогнозирование урожайности. Благодаря совершенствованию технологий дистанционного зондирования Земли, постоянно расширяются потенциальные возможности оперативной оценки состояния сельскохозяйственных посевов на региональном и местном уровнях.

Вместе с тем, степень внедрения упомянутых технологий в Краснодарском крае явно не отвечает хозяйственной значимости растениеводства. Проблема действенного применения технологий дистанционного зондирования в сельскохозяйственной практике остается актуальной. Это относится к региональному и локальному уровням. В этом смысле территория Краснодарского края - не исключение. Необходимы соответствующие научно-методические разработки, ориентированные на местную географическую специфику растениеводства.

В настоящее время использование результатов дешифрирования спутниковых снимков в отдельных хозяйствах сдерживается отсутствием таких разработок. Кроме того, некоторые задачи требуют самостоятельных исследований. Так, для субъектов сельскохозяйственной деятельности и управленческих структур АПК края важными задачами являются своевременное установление локальных пространственных аномалий в распределении посевов (в масштабе отдельного поля), особенно в ранневесенний период вегетации, а также идентификация сельскохозяйственных культур по данным спутниковых снимков. Своевременное решение этих задач должно способствовать оптимизации использования земельных ресур-

сов в Краснодарском крае, а в технологическом смысле - научному обоснованию применения материалов дистанционного зондирования в сельскохозяйственной деятельности.

Таким образом, в теоретическом плане актуальность настоящего исследования определяется необходимостью разработки методического обеспечения для мониторинга состояния сельскохозяйственных культур региона. В практическом аспекте актуальность работы связана с достижением нового уровня информационного обеспечения растениеводства, базирующегося на материалах дистанционного зондирования Земли и современных ГИС-технологиях.

Объект исследования - сельскохозяйственные посевы на территории Краснодарского края. Предмет исследования - методологические и прикладные аспекты применения данных дистанционного зондирования для оперативной оценки состояния сельскохозяйственных посевов.

Цель исследования - разработка и реализация научно-методических основ оперативной оценки состояния сельскохозяйственных посевов по материалам спутниковых снимков, прежде всего, в части определения локальной пространственной структуры посевов. Для достижения цели в работе поставлены и решены следующие задачи:

1. Проанализировать и обобщить литературные, фондовые и прочие материалы, характеризующие применение спутниковых данных для мониторинга сельскохозяйственных посевов и земель, в том числе с использованием вегетационных индексов.

2. Разработать метод автоматизированной ранговой оценки полей по признаку локальной (не)равномерности распределения фитомассы с использованием вегетационного индекса по данным спутниковых снимков на дату съемки.

3. Разработать метод расчета площади дефектных участков сельскохозяйственных посевов на основе приемов нечеткой классификации.

4. Разработать и проанализировать эффективность предложенных способов распознавания различных сельскохозяйственных культур по данным спутниковых снимков.

5. Создать картографическое web-приложение для отображения показателей сельского хозяйства Краснодарского края.

В качестве исходных данных настоящего исследования использованы снимки коммерческих микроспутников RapidEye для удаленного мультиспек-трального зондирования с пространственным разрешением 6,5 м (на даты 12.07.2009, 28.04.2010, 02.05.2010, 13.06.2010); данные спутника Landsat 5 TM разрешением 30 м (сентябрь 2008 г. - октябрь 2010 г.); векторные данные (границы сельскохозяйственных полей) со сведениями о хозяйствах, предоставленные Министерством сельского хозяйства и перерабатывающей промышленности Краснодарского края; кадастровые данные; статистические сборники по АПК края (2005-2010 гг.).

Диссертация написана на основании исследований автора в 2010-2013 гг., а также материалов, полученных в результате творческого сотрудничества с Министерством сельского хозяйства и перерабатывающей промышленности Краснодарского края. Лично автором выполнена обработка спутниковых снимков и векторных границ полей, рассчитаны вегетационные индексы, выполнен анализ распределения посевов в исследуемых районах, создано картографическое web-приложение. С непосредственным участием автора разработаны методика определения локальной неравномерности посевов, а также аппарат автоматизированного расчета статистических показателей.

При разработке методических и теоретических основ диссертации особое значение имели работы, посвященные теоретическим обоснованиям вегетационных индексов (A.C. Черепанов, О.С. Токарева, R.D. Jackson, R.E. Crippen и др.), применению их для оценки состояния сельскохозяйственных посевов (R. Benedetti, D. Jiang, A.K. Prasad, B.A. Толпина, B.H. Антонова и др.), распознаванию вида сельскохозяйственных культур по спутниковым данным (A.J.W. De Wit, М. Turker, С. Conrad, С. Кохан, С.А. Барталев), нечеткой классификации (A.B. McBratney, J.C. Bezdek, J.J. DeGruijter, A.B. Погорелов и др.).

В ходе исследования реализован комплекс дистанционных (спутниковая съемка) и камеральных методов. В процессе обработки и анализа материалов

применены методы ГИС-картографирования, статистики, нечеткой классификации. Основу программного обеспечения составили продукты Arclnfo, ArcGIS Server (Esri, США), ENVI (США), BoundarySeer (США), Microsoft Visual Studio 11 (США).

Научная новизна обусловлена оригинальными подходами к оценке состояния сельскохозяйственных посевов по данным спутниковых снимков.

1. Обоснована и реализована методика автоматизированной ранговой оценки состояния сельскохозяйственных полей по показателям локальной (не)равномерности посевов.

2. Разработана методика количественной оценка состояния посевов, опирающаяся на использование методов нечеткой классификации и позволяющая выделять дефектные участки на полях с расчетом их площади.

3. Предложены методы идентификации сельскохозяйственных культур (метод пороговых значений индекса NDVI и метод классификации с обучением).

4. Исследована сезонная динамика индекса NDVI для различных сельскохозяйственных культур, полей под паром, а также озимых и яровых культур.

5. Создано web-приложение для картографической визуализации показателей АПК Краснодарского края.

Все результаты оценки состояния сельскохозяйственных посевов на исследуемой территории по данным спутниковых снимков, полученные посредством предлагаемых методов, являются новыми по существу.

На защиту выдвигаются следующие разработки и результаты:

1. Метод автоматизированной ранговой оценки полей по признаку локальной (не)равномерности распределения фитомассы с использованием индекса NDVI по данным спутниковых снимков.

2. Метод расчета площади дефектных участков сельскохозяйственных посевов, основанный на нечёткой классификации.

3. Результаты оценки локальной (не)равномерности сельскохозяйственных посевов в границах полей для тестовых районов края (Абинский, Крымский, Се-верский, Славянский, Староминской, Тимашевский).

4. Установленные закономерности сезонной динамики индекса NDVI для различных культур, полей под паром, а также озимых и яровых культур.

5. Результаты распознавания различных сельскохозяйственных культур по данным спутниковых снимков.

6. Web-приложение для картографической визуализации показателей сельского хозяйства Краснодарского края.

Практическая значимость работы характеризуется реализацией разработанных методик в Министерстве сельского хозяйства и перерабатывающей промышленности Краснодарского края (отдел информатизации и аналитических систем). По материалам исследования получен патент РФ на полезную модель.

Основные положения обсуждались на IV конференции молодых ученых «Геоинформационные технологии и космический мониторинг» (Ростов-на-Дону,

2011); международной научно-практической конференции «Геосистемы: факторы развития, рациональное природопользование, методы управления» (Туапсе, 2011); VIII международной научно-практической конференции «Vëda a technologie: krok do budoucnosti» (Прага, 2012); 8-й международной научно-практической конференции «Образованието и науката на XXI век» (София, 2012); международной конференции «ИнтерКарто-ИнтерГИС-18: Устойчивое развитие территорий: теория ГИС и практический опыт» (Смоленск, Россия - St.Die des Vosges, France,

2012); заседаниях кафедры геоинформатики КубГУ.

По теме диссертации опубликовано 10 работ, в том числе 4 статьи в журналах из перечня изданий, рекомендованных ВАК; получен патент РФ на полезную модель.

Структура и объем работы. Диссертация состоит из введения, пяти глав и заключения. Общий объем рукописи составляет 157 страниц машинописного текста, включая 64 рисунков и 22 таблицы. Список использованной литературы содержит 143 наименований.

1. Растениеводство Краснодарского края

1.1. Обзор растениеводства Краснодарского края: территориальный аспект

Краснодарский край располагается на равнинных территориях и возвышенностях Западного Предкавказья и западной части Большого Кавказа. Площадь

"у

края при относительной его компактности (рис. 1.1) составляет 75,5 тыс. км (0,44% территории Российской Федерации). В состав Краснодарского края входит 38 районов, 26 городов (15 краевого и 11 районного подчинения), 1793 сельских населенных пунктов (Экономическая..., 2011).

В комплексе предпосылок размещения региональных производительных сил демографические являются важнейшей составной частью, поскольку трудовые ресурсы служат главной производительной силой. Демографические предпосылки формирования регионального агропромышленного комплекса следующие. По данным переписи населения 2010 г. численность населения края составляет 5160,7 тыс. человек (3,6% населения России) при плотности населения 68,1 человек на 1 км2. Удельный вес городского и сельского населения равен соответственно 52,5% и 47,5%.

Известно, что территории Краснодарского края свойственны весьма благоприятные ландшафтные, почвенные, агроклиматические условия для развития сельского хозяйства в составе России. Большую часть территории края (более 50%) занимают равнинные степные ландшафты, что способствует выращиванию разнообразных сельскохозяйственных культур, одновременно обеспечивая достаточную площадь и оптимальную конфигурацию элементарных земельных угодий.

Щербиновский

Кущевский р-н

Ленинградский р-н

Тихорецкий р-н

Тима оювский р-н

Славянский р-н

Динской р-н Усть-Лабииский р-н

Гулькевичский р-н

Темрюкский р-н

г. Анапа Крымский р-н

Абинский р-н

м.о. г Горячий Ключ

Туалсинский р-н

Рис. 1.1. Административно-территориальное деление Краснодарского края

Ландшафтно-земельные условия региона можно охарактеризовать, опираясь на распространенную европейскую номенклатуру земель СОШЫЕ. Применение этой номенклатуры (классификации) земель целесообразно не только в силу обращения к формальным признакам классификации, но и по причине возможной

реализации данных дистанционного зондирования Земли в качестве информационных источников.

CORINE (Coordination of information on the environment) - программа no созданию единой европейской системы сбора и обмена информацией о состоянии природной среды. В программе CORINE нашли широкое применение методы аэрокосмического мониторинга Земли. На основе материалов космических съемок со спутников Landsat и SPOT к началу 1990-х гг. были составлены цифровые карты земных покрытий для нескольких стран западной Европы (в масштабе 1:100 ООО), вошедшие в базу данных программы. Позже по инициативе European Environment Agency (ЕЕА) выполнены работы по коррекции и обновлению информации, что позволило перейти к оценкам изменений природной среды. В составлении обновленной базы данных приняли участие уже 32 страны. Программа базируется на обработке спутниковых снимков с визуальной и автоматизированной интерпретацией, оцифровкой и последующей интеграцией в базу данных (Бродский и др., 2009).

Важным результатом программы CORINE явилось создание номенклатуры земель на территорию Европы (CORINE Land Cover Classification System). В рамках программы в рабочем масштабе 1:100000 составляются карты структуры земель; наиболее обобщенный первый уровень включает 5 групп земель, второй уровень - 15 категорий, третий (наиболее детальный) - 44 категории земель (Гурьянова, 2008). Основные категории земель первого уровня отражают общепланетарную схему использования земель; второй уровень предназначен для идентификации категорий использования земель в масштабе 1:500000 и 1:1000000; третий уровень используется при выполнении проектов в масштабе 1:100000.

Для отражения ландшафтно-земельных условий формирования растениеводства нами на основе схемы CORINE выполнена классификация земель Краснодарского края.

При этом, исходя из регионального масштаба, мы ограничились первым и вторым уровнями классификации земель (Гурьянова, 2008), выбор которых связан

с представительностью соответствующих категорий земель в регионе. В качестве исходной информации при классификации использованы спутниковые снимки Ьапс1ва1 5 ТМ и кадастровые данные.

Условные обозначения

Земли под жилой застройкой; земли промышленных, коммерческих и транспортных объектов Сельскохозяйственные земли | Леса; земли с редкой растительностью Водно-болотные угодья Моря

Воды суши

Рис. 1.2. Карта земель разного хозяйственного назначения Краснодарского

края (по номенклатуре С(ЖГЫЕ)

На рисунке 1.2 представлена построенная нами карта земель по обобщённой номенклатуре ССЖМЕ. На её основе определены площади на категории земель: сельскохозяйственные земли занимают 59% площади края; леса и земли с редкой растительностью - 26%; земли под жилой застройкой, земли промышленных, коммерческих и транспортных объектов - 6%, воды суши - 5%; водно-болотные угодья - 4%.

Краснодарский край в экономике Российской Федерации выделяется как важнейший сельскохозяйственный регион страны с 7% валовой продукции сельского хозяйства России (Большая..., 2010). Среди регионов страны Краснодарский край является лидером по валовому сбору зерна (10% от общероссийского), сахарной свёклы (17,3%), плодов и ягод; вторым - по производству семян подсолнечника (15%) и мёда, по производству яиц, мяса скота и птицы (в живом весе); третьим - по производству молока (Экономическая ..., 2011). Одновременно край - один из ведущих производителей виноградных вин в стране (37%).

По ежегодным объемам продукции сельского хозяйства в хозяйствах всех категорий по данным (Сельское..., 2010) практически во всех административных районах края растениеводство преобладает над животноводством (рис. 1.3). Особенно заметно преобладание растениеводства в Темрюкском (81%), Новопокров-ском (80%), Крыловском (79%), Белоглинском (76%) и Кавказском (75%) районах. Обратная ситуация наблюдается лишь в 5 районах края: Белореченский район (49%), м.о. г. Горячий Ключ (42%), м.о. г. Сочи (39%), Апшеронский район (33%) и м.о. г. Новороссийск (25%).

/

Щербиновский р-н ^ ^

ш

Ейскии р-н староминский р-н

Л,

Кущевский р-н

О

Крылове кий р-н

Прим.-Ахтарский р-н

Ленинградский р-н

Павловский р-н Белогпинский р-н Каневский р-н ^^ Новопофовский р-н^ ^

Брюховецкий р-н

Тихорецкий р-н : . .

Выселковский р-н

Тимашевский р-н ^ Коре новский р-н

Славянский р-н Калининский р-н Чи»/ Кавказский р-н ..

>} ^ •

Тенр|°кси'" р"и красноармейский р-н ^^^ С - ^^^

некий р-н

м.о. Г. Анапа Крымский р-н

Абинский р-н ^^ м.о. г. Новороссийск

Красноармейский р-н д Усть.Ла6инмий р.н

Тбилисский р-н

Гулькевичский р-н Новокубанский р-н

м.о. г Краснодар

т

Северский р-н1 м.о г. Геленджик <т

Белореченский р-н ^^

м.о г Горячий Ключ &

< 01

4-, ^ М.о. г. Армавир

Курганинский р-н

V ' Чй?

Успенский р-н

Г

\г

Ла б и нс кий р-н

Алшеронский р-н Туалсинский р-н

Мостовский р-н Отрадненский р-н

О

Г* г—

Условные обозначения

Продукция сельского хозяйства, млн. руб

10 000

ш

5 000

Список литературы диссертационного исследования кандидат географических наук Кузнецов, Константин Владимирович, 2013 год

БИБЛИОГРАФИЯ

1. Агроклиматические ресурсы Краснодарского края / Под. ред. Русеева З.М., Народецкая Ш.Ш.. - СПб.: Гидрометеоиздат, 1975. - 276 с.

2. Агропромышленный комплекс Кубани. Статистический сборник. / Под. ред. Андреев В.В., Курнякова Т.А., Совмен Ш.Д., Еремина Э.И. - Краснодар: Федеральная служба государственной статистики, 2005-2007.

3. Антонов В.Н., Сладких J1.A. Мониторинг состояния посевов и прогнозирование урожайности яровой пшеницы по данным ДЗЗ. // Геоматика. М.: Сов-зонд, 2009. - Вып. 4. - С. 50-52.

4. "Барталев С.А., Егоров В.А., Лупян Е.А., Плотников Д.Е., Уваров И.А. Рас-

познавание пахотных земель на основе многолетних спутниковых данных MODIS и локально-адаптивной классификации. // Компьютерная оптика. М.: Институт систем обработки изображений РАН, 2011. - Т. 35. № 1. - С. 103-116.

5. Барталев С.А., Лупян Е.А., Нейштадт И.А., Савин И.Ю. Классификация некоторых типов сельскохозяйственных посевов в южных регионах России по спутниковым данным MODIS. // Исследование Земли из космоса М.: 2006. -Вып. З.-С. 68-75.

6. Большая Российская энциклопедия / Российская академия наук; отв. ред. С.Л. Кравец. - М.: Большая Российская энциклопедия, 2010. - Т. 15: Конго - Крещение. 1 экз.

7. Бродский Л., Бушуев Е.И., Волошин В.И., Козлова A.A., Паршина О.И., Попов М.А., Саблина В.И., Сахацкий А.И., Сиротенко A.B., Соукап Т., Станкевич С.А., Тарарико А.Г. Проект ITAS по разработке автоматизированной технологии классификации земных покрытий: научные задачи, основные результаты и перспективы // Косм1чна наука i технолопя. 2009. Т. 15. №2. С. 36-48.

8. Геоинформатика / Под ред. Тикунова В. С., М.: Академия, 2005. - 480 с.

9. Геоинформатика. Толковый словарь основных терминов / Под ред. А. М. Берлянта и А. В. Кошкарева. - М.: ГИС-Ассоциация, 1999. - 204 с.

10. Гурьянова JÏ.B. Использование ГИС и данных дистанционного зондирования для мониторинга застроенных территорий // Вестник Белорусского государственного университета. Сер. 2. 2008. №3. С. 107-112.

11. Дьяконов К. Н. Изучение вертикального строения ландшафта // Методика ландшафтных исследований. - JI, 1971. - С. 67-73.

12. Земные миры / Ретеюм А. Ю. - М.: Мысль, 1988. - 268 с.

13. Золотой С.А., Лямшев И.В. Сельское хозяйство Республики Беларусь. Взгляд из космоса. // Геоматика. М.: Совзонд, 2011. - Вып. 2. - С. 77-79.

14. Иллюстрированный самоучитель по SPSS / Бююль, А., Цефель П. - М.: ДиаСофт, 2005.-605 с.

15. Исмаилов Э.Я., Надыкта В.Д., Исмаилов В.Я., Костенко И.А., Швец A.A. Гиперспектральные исследования поражения сельскохозяйственных культур фитопатогенами. // Космонавтика и ракетостроение. Королев: ЦНИИ-маш, 2012. - Вып. 68. - С. 98-104.

16. Картографический словарь / Берлянт A.M. - M.: Научный мир, 2005.424 с.

17. Козубенко И.С., Болсуновский М.А. Государственная информационная система мониторинга земель сельскохозяйственного назначения Краснодарского Края. // Геоматика. М.: Совзонд, 2011. - Вып. 2. - С. 56-62.

18. Коломыц Э.Г. Ландшафтные исследования в переходных зонах. М.: Наука, 1987.- 118 с.

19. Кононов В.М: Опыт создания регионального геоинформационного ресурса мониторинга земель сельскохозяйственного назначения Краснодарского края. // Геоматика. М.: Совзонд, 2011. - Вып. 2. - С. 62-68.

20. Кузнецов К.В. Использование космических снимков для идентификации сельскохозяйственных культур (Краснодарский край) // Materiály VIII mezinárodni vëdecko - praktická konference «Vëda' a technologie: krok do bu-

doucnosti - 2012». Dil 32. Zemedelstvi. Zverolekartvi: Praha. Publishing House «Education and Science» s.r.o. - P.39-44. ISBN 978-966-8736-05-6.

21. Кузнецов K.B. Нечеткая классификация как метод оценки состояния посевов сельскохозяйственных посевов в Краснодарском крае // Материали за 8-а международна научна практична конференция, «Образованието и науката на XXI век», - 2012. Том 41. География и геологи. София. «Бял ГРАД-БГ» ООД. - С. 36-40.

22. Кузнецов К.В., Липилин Д.А. Об использовании спутниковых снимков для распознавания сельскохозяйственных культур в Краснодарском крае // Вестник Северо-Кавказского государственного технического университета. Вып. 4 (33). Ставрополь: Сев.-Кав. гос. тех. ун-т, 2012. - С. 88-92.

23. Кузнецов К.В., Стебловский A.C. Разработка геоинформационной системы сельскохозяйственных показателей Краснодарского края // Географические исследования Краснодарского края: сб. научн. тр. Вып. 6. Краснодар: Ку-бан. гос. ун-т, 2011.-С. 255-258.

24. Кузнецов К.В., Стебловский A.C. Типология муниципальных образований Краснодарского края по показателям развития сельского хозяйства // Вестник Северо-Кавказского государственного технического университета. Вып. 4 (29). Ставрополь: Сев.-Кав. гос. тех. ун-т, 2011. - С. 72-78.

25. Лурье И.К. Геоинформационное картографирование. Методы геоинформатики и цифровой обработки космических снимков: Учебник. М.: КДУ, 2008. - 424 с.

26. Лурье И.К., Косиков А.Г. Теория и практика цифровой обработки изображений. М.: Научный мир, 2003. - 168 с.

27. Математические методы в биологии / Владимирский Б.М. - Ростов-на-Дону: Издательство ростовского университета, 1983. - 303 с.

28. Михайлов H.H., Михайлова Л.А., Харламова Н.Ф., Лхагвасурэн Ч. Использование временных рядов вегетационного индекса NDVI для мониторинга растительного покрова степной зоны Западной Сибири // // Научные ведо-

мости БелГУ. Серия Естественные науки. 2010, №15 (86), вып. 12. - С. 2533.

29. Нейштадт И.А., Барталев С.А., Ершов Д.М. и др. Алгоритмы анализа данных спутниковых наблюдений Terra/Modis для мониторинга сельскохозяйственных земель // Геоинформатика. - 2004. - С. 205-209.

30. Общая теория статистики / Бабич С.Г. - М.: ГОУ ВПО Российская экономическая академия имени Г.В.Плеханова, 2004. - 310 с.

31. Общая теория статистики: Учебник / И.И. Елисеева, М.М. Юзбашев, под ред. Чл.-корр. РАН И. И. Елисеевой - М.: Финансы и статистика, 1995. -368 с.

32. Плотников Д.Е., Барталев С.А., Лупян Е.А. Использование данных спутникового радиометра MODIS для распознавания пахотных земель, чистого пара и посевов озимых культур. // Материалы Всероссийской научной конференции «Методическое обеспечение мониторинга земель сельскохозяйственного назначения». 29-30 сентября 2009 года. Сборник научных статей. Москва. - М.:РАСХН, 2010. - С 150-162.

33. Плотников Д.Е., Барталев С.А., Лупян Е.А. Метод детектирования летне-осенних всходов озимых культур по данным радиометра MODIS. // Современные проблемы дистанционного зондирования Земли из космоса. М: Институт космических исследований РАН, 2008. - Т. 5. № 2. - С.322-330.

34. Плотников Д.Е., Барталев С.А., Лупян Е.А. Признаки распознавания пахотных земель на основе многолетних рядов данных спутникового спектрора-диометра MODIS. // Современные проблемы дистанционного зондирования Земли из космоса, 2010. - Т.7.№1. - С.330-341.

35. Погорелов A.B., Кузнецов К.В. Применение нечеткой классификации для оценки состояния сельскохозяйственных посевов по данным дистанционного зондирования. // Геология, география и глобальная энергия. Вып. 4 . Астрахань, 2012, с. 170-175.

36. Погорелов A.B., Кузнецов К.В., Стебловский A.C. Выделение локальных пространственных аномалий в распределении посевов сельскохозяйствен-

ных культур по данным спутниковых снимков Ii Материалы международной конференции «ИнтерКарто-ИнтерГИС-18: Устойчивое развитие территорий: теория ГИС и практический опыт». Смоленск, 2012, с. 216-220.

37. Погорелов A.B., Кузнецов К.В., Стебловский A.C. Метод оценки локальной неравномерности распределения сельскохозяйственных посевов по данным вегетационного индекса // Известия высших учебных заведений СевероКавказский регион. Вып. 2. Ростов-на-Дону: Южный федеральный ун-т, 2012.-96-101.

38. Погорелов A.B., Нетребин П.Б. Проблема определения границ Большого Кавказа с позиции нечеткой классификации // Мат. IV конф. молодых ученых «Геоинформационные технологии и космический мониторинг». Ростов-на-Дону, 2011, с. 180-187.

39. Погорелов A.B., Стебловский A.C., Кузнецов К.В. Об оценке состояния сельскохозяйственных посевов в Краснодарском крае по данным спутниковой съемки // Сб.науч. статей по мат. II Междунар. науч.-практ. конф. «Геосистемы: факторы развития, рациональное природопользование, методы управления». Туапсе, 2011, с.321-322. ISBN 978-5-91718-133-2.

40. Программный комплекс ENVI. Учебное пособие - М.: Совзонд, 2007 . - 240 с.

41. Родоман Б. Б. Основные типы географических границ // Географические границы. - М.: Изд-во МГУ, 1982. - С. 19-32.

42. Савин И.Ю., Лупян Е.А., Барталев С.А. Оперативный спутниковый мониторинг состояния посевов сельскохозяйственных культур в России. // Геома-тика. М.: Совзонд, 2011. - Вып. 2. - С. 69-76.

43. Савостин A.A. Применение данных дистанционного зондирования Земли в сельскохозяйственном страховании при оценке состояния озимых посевов. //Земля из космоса - наиболее эффективные решения. М.: СКАНЭКС, 2011. -Вып. 9.-С. 38-41.

44. Сельское хозяйство Краснодарского края. Статистический сборник / Под. ред. Андреев В.В, Курнякова Т.А., Совмен Ш.Д., Еремина Э.И. -Краснодар: Федеральная служба государственной статистики, 2010.

45. Статистика / Громыко Г.Л. - М.: Изд-во Моск. Ун-та., 1981. - 408 с.

46. Стебловский A.C., Кузнецов К.В. Обзор технических средств информационных систем социально-экономического мониторинга // Географические исследования Краснодарского края: сб. научн. тр. Вып. 6. Краснодар: Ку-бан. гос. ун-т, 2011. - С. 259-263.

47. Теория вероятностей и математическая статистика: Учебное пособие для вузов / Гмурман В.Е. - М.: Высшая школа, 2003. - 479 с. - ISBN 5-06004214-6.

48. Токарева О.С. Обработка и интерпретация данных дистанционного зондирования: учебное пособие / О.С. Токарева - Томск: Изд-во Томского государственного университета, 2010.- 148 с.

49. Толпин В.А., Барталев С.А., Бурцев М.А., Ефремов В.Ю., Лупян Е.А., Мазуров A.A., Матвеев A.M., Прошин A.A., Флитман Е.В. Оценка состояния сельскохозяйственных культур на основе межгодовой динамики с использованием данных MODIS. // Современные проблемы дистанционного зондирования Земли из космоса. М.: Институт космических исследований РАН, 2007. - Т. 4. № 2. - С. 380-389.

50. Тюрин В.Н. Агроэкологическое районирование Краснодарского края // Ресурсы, расселение, хозяйство Северного Кавказа. Ставрополь, 1990. С. 7178.

51. Тюрин В.Н., Максименко А.Г. Типы сельскохозяйственных районов Северного Кавказа. (Экономико-географические исследования) // Территориальная организация сельского хозяйства. - М. 2002.

52. Уваров И.А., Барталев С.А. Алгоритм и программный комплекс распознавания типов земного покрова на основе локально-адаптивной обучаемой классификации спутниковых изображений // Современные проблемы дистанционного зондирования Земли из космоса, 2010. - Т.7, № 1. - С.353-365.

53. Факторный, дискриминантный и кластерный анализ / Ким Дж.-О., Мьюллер Ч.У., Клекка У.Р. - М.: Финансы и статистика, 1989.

54. Хворова Л.А., Брыксин В.М. Применение математических методов и математического моделирования для оценки агроклиматического потенциала территорий // Известия Алтайского государственного университета. - 2002. -№ 1(23).-С. 41-45.

55. Черепанов А.С. Вегетационные индексы. // Геоматика. М.: Совзонд, 2011. -Вып. 2.-С. 98-102.

56. Черепанов А.С., Дружинина Е.Г. Спектральные свойства растительности и вегетационные индексы. // Геоматика. М.: Совзонд, 2009. - Вып. 3. - С. 2833.

57. Шагиев Б.Р., Рогова Т.В., Савельев А.А. Использование вегетационных индексов как суррогатных факторов для разработки региональной экологической шкалы плодородия почвы. // Вестник Удмуртского университета, 2011. -Вып. 4.-С. 21-30.

58. Щукин И. С. Четырехъязычный энциклопедический словарь терминов по физической географии. - М: Советская Энциклопедия, 1980. - 703 с.

59. Экономическая география Краснодарского края / Под. ред. Чистяков В.И., Гужин Г.С., Тюрин В.Н. - Краснодар: Кубанский государственный университет, 2000. - 247 с.

60. Экономическая и социальная география Краснодарского края: Учеб. пособие / под ред. В.И. Чистякова. Краснодар: Кубанский гос.ун-т; Просвещение-Юг, 2011,443 с.

61. Anyamva A., Tucker C.J. Analysis of Sahelian vegetation dynamics using NOAA-AVHRR NDVI data from 1981-2003. // Journal of Arid Environments, Volume 63, 2005. - P. 596-614.

62. Babar M., van Ginkel M., Klatt A., Prasad В., Reynolds M. The Potential of Using Spectral Reflectance Indices to Estimate Yield in Wheat Grown Under Reduced Irrigation. // Euphytica, Volume 150, Numbers 1-2, 2006. -P. 155-172.

63. Bala S. K., Islam A. S. Correlation between potato yield and MODIS-derived vegetation indices. // International Journal of Remote Sensing, Volume 30, 2009. -P. 2491-2507.

64. Balaghi R., Tychon B., Eerens H., Jlibene M.. Empirical regression models using NDVI, rainfall and temperature data for the early prediction of wheat grain yields in Morocco. // International Journal of Applied Earth Observation and Geoinfor-mation, Volume 10, Issue 4, 2008. - P. 438-452.

65. Barbujani G., Jacquez G.M., Ligi L. Diversity of some gene frequencies in European and Asian populations V. Steep multilocus clines. // American Journal of Human Genetics 47, 1990. - P. 867-875.

66. Beck P.S.A., Atzberger C., Hogda K.A., Johansen B., Skidmore A.K. Improved monitoring of vegetation dynamics at very high latitudes: a new method using MODIS NDVI. // Remote Sensing of Environment, Volume 100, 2006. - P. 321334.

67. Beck P.S.A., Jonsson P., Hogda K.A., Karlsen S.R., Eklundh L., Sskidmore A.K. A ground-validated NDVI dataset for monitoring vegetation dynamics and mapping phenology in Fennoscandia and the Kola peninsula. // International Journal of Remote Sensing, Volume 28, 2007. - P. 4311-4330.

68. Beck P.S.A., Wang T.J., Skidmore A.K., Liu X.H. Displaying remotely sensed vegetation dynamics along natural gradients for ecological studies. // International Journal of Remote Sensing, Volume 29, Number 14, 2008. - P. 4277 - 4283.

69. Benedetti, R., Rossinni, P. On the use of NDVI profiles as a tool for agricultural statistics: the case study of wheat yield estimate and forecast in Emilia Romagna. // Remote Sens., 1993 - P. 311-326.

70. Bezdek J.C. Some non-standard clustering algorithms. // Developments in numerical ecology, P. and L. Legendre, eds. Berlin: Springer-Verlag. 1987. - P. 225287.

71. Blaes X., Vanhalle L., Defourny P. Efficiency of crop identification based on optical and SAR image time series. // Remote Sensing of Environment, Volume 96, Issues 3-4, 2005. - P. 352-365.

72. Bocquet-Appel J. P., Bacro J. N. Generalized wombling. // Systematic Zoology, Volume 43, 1994. - P. 442-448.

73. Brown D.G. Mapping historical forest types in Baraga County Michigan, USA as fuzzy sets. // Plant Ecology 134, 1998. - P. 97-111.

74. Calera A., González-Piqueras J., Melia J. Monitoring barley and corn growth from remote sensing data at field scale. // International Journal of Remote Sensing, Volume 25, Number 1, 2004. - P. 97-109.

75. Cruz-Ramírez M., Hervás-Martínez C., Jurado-Expósito M., López-Granados F. A multi-objective neural network based method for cover crop identification from remote sensed data. // Expert Systems with Applications, Volume 39, Issue 11, 2012.-P. 10038-10048.

76. Conrad C., Fritsch S., Zeidler J., Rucker G., Dech S. Per-field irrigated crop classification in arid Central Asia using SPOT and ASTER data. // Remote Sensing of Environment, 2010. - P. 103 5-1056.

77. Crippen R. E. Calculating the Vegetation Index Faster. // Remote Sensing of Environment, vol 34, 1990. - P. 71-73.

78. Dai-liang P., Jing-feng H., Hui-min J. Monitoring the Sequential Cropping Index of Arable Land in Zhejiang Province of China Using MODIS-NDVI. // Agricultural Sciences in China, Volume 6, Issue 2, 2007. - P. 208-213.

79. De Wit A.J.W., Clevers, J. Efficiency and accuracy of per-field classification for operational crop mapping. // International Journal of Remote Sensing, Volume 25, Issue 20, 2004. - P. 4091-4112.

80. Esquerdo J.C.D.M., Zullo Júnior J., Antunes J.F.G. Use of NDVI/AVHRR time-series profiles for soybean crop monitoring in Brazil. // International Journal of Remote Sensing, Volume 32, Number 11, 2011. - P. 3711-3727.

81. Fortin M. J. Effects of data types on vegetation boundary delineation. // Canadian Journal of Forest Research, Volume 27, 1997.-P. 1851-1858.

82. Fuller D.O. Trends in NDVI time series and their relation to rangeland and crop production in Senegal, 1987-1993. // International Journal of Remote Sensing, Volume 19, Number 10, 1998. - P. 2013-2018.

83. Granados-Ramírez R., Reyna-Trujillo T., Gómez-Rodríguez, G., Soria-Ruiz J. Analysis of NOAA-AVHRR-NDVI images for crops monitoring. // International Journal of Remote Sensing, Volume 25, Number 9, 2004. - P. 1615-1627.

84. Jackson R.D., Huete R. Interpreting vegetation indices. // Preventive Veterinary Medicine. Pepperell, MA, Volume 11, 1991. - P. 85-200.

85. Jakubauskas M.E., Legates D.R., Kastens J.H. Crop identification using harmonic analysis of time-series AVHRR NDVI data. // Computers and Electronics in Agriculture, Volume 37, Number 1, 2002. - P. 127-139.

86. Jiang D., Wang N., Yang X, Wang J. Study on thé interaction between NDVI profile and the growing status of crops. // Chinese geographical science., Volume 13, Number 1, 2001. - P.62-65.

87. Jordan, C. F. Derivation of leaf area index from quality of light on the forest floor. // Ecology, vol. 50, 1969. - P. 663-666.

88. Jurgens C. The modified normalized difference vegetation index (mNDVI) a new index to determine frost damages in agriculture based on Landsat TM data. // International Journal of Remote Sensing, Volume 18, Number 17, 1997. - P. 35833594.

89. Kalubarme M.H., Potdar M.B., Manjunath K.R., Mahey R.K., Siddhu S.S. Growth profile based crop yield models: a case study of large area wheat yield modelling and its extendibility using atmospheric corrected NOAA AVHRR data. // International Journal of Remote Sensing, Volume 24, 2003. - P. 2037-2054.

90. Kastens J. H., Kastens T. L., Kastens D. L.A., Price K. P., Martinko E. A., ReYang Lee. Image masking for crop yield forecasting using AVHRR NDVI time series imagery. // Remote Sensing of Environment, Volume 99, Issue 3, 2005. -P. 341-356.

91. Knudby A. An AVHRR-based model of groundnut yields in the Peanut Basin of Senegal. // International Journal of Remote Sensing, Volume 25, 2004. - P. 31613175.

92. Kokhan S. Application of multispectral remotely-sensed imagery in agriculture. // ISPRS TC VII Symposium - 100 Years ISPRS, Vienna, Austria, July 5-7 2010. I APRS, Vol. XXXVIII, Part 7A. - P. 31-42.

93. Krishnaswamy J., Kiran M.C. Ganeshaiah K.N. Tree model based ecoclimatic vegetation classification and fuzzy mapping in diverse tropical deciduous ecosystems using multi-season NDVI. // International Journal of Remote Sensing, Volume 25, 2004. - P. 1185-1205.

94. Labus M.P., G.A. Nielsen R.L. Lawrence R. Engel, and D.S. Long. Wheat yield estimates using multitemporal NDVI satellite imagery. International Journal of Remote Sensing, Volume 23, 2002. - P. 4169-4180.

95. Liu W.T., Kogan F. Monitoring Brazilian soybean production using NOAA/AVHRR based vegetation condition indices. // International Journal of Remote Sensing, Volume 23, 2002. - P. 1161-1179.

96. Lowell K. A fuzzy surface cartographic representation for forestry based on Vo-ronoi diagram area stealing. // Canadian Journal of Forest Research 24, 1994. - P. 1970-1980.

97. Lunetta R.S., Shao Y., Ediriwickrema J., Lyon J. G. Monitoring agricultural cropping patterns across the Laurentian Great Lakes Basin using MODIS-NDVI data. // International Journal of Applied Earth Observation and Geoinformation, Volume 12, Issue 2, 2010. - P. 81-88.

98. Manjunath, K.R., Potdar M.B., Purohit N.L. Large area operational wheat yield model development and validation based on spectral and meteorological data. // International Journal of Remote Sensing, Volume 23, 2002. - P. 3023-3038.

99. Marti J., Bort J., Slafer G.A., Araus J.L. Can wheat yield be assessed by early measurements of Normalized Difference Vegetation Index? // Annals of Applied Biology, Volume 150, Number 2, 2007. - P. 253-257:

100. McBratney A.B., DeGruijter J.J. A continuum approach to soil classification by modified fuzzy k-means with extra grades. // Journal of Soil Science 43, 1992. -P. 159-175.

101. McBratney A.B., Moore A.W. Application of fuzzy sets to climatic classification. // Agricultural and Forest Meteorology 35, 1985. - P. 165-85.

102. Mkhabela M.S., Bullock P., Raj S., Wang S., Yang Y. Crop yield forecasting on the Canadian Prairies using MODIS NDVI data. // Agricultural and Forest Meteorology, Volume 151, Issue 3, 2011. - P. 385-393.

103. Mkhabela M.S., Mkhabela M.S., Mashinini N.N. Early maize yield forecasting in the four agro-ecological regions of Swaziland using NDVI data derived from NOAA's-AVHRR. // Agricultural and Forest Meteorology, Volume 129, Issues 1-2, 2005.-P. 1-9.

104. Murthy C.S., Sesha Sai M.V.R., Chandrasekar K., Roy P.S. Spatial and temporal responses of different crop-growing environments to agricultural drought: a study in Haryana state, India using NOAA AVHRR data. // International Journal of Remote Sensing, Volume 30, 2009. - P. 2897-2914.

105. Murty C.S., Raju P.V., Badrinath K.V.S. Classification of wheat crop with multitemporal images: performanceof maximum likelihood and artificial neural networks. // International Journal of Remote Sensing, Volume 24. - P 4871-4890.

106. Odeh I. O. A., McBratney A. B., Chittleborough D. J. Soil pattern recognition with fuzzy c-means: application to classification and soil landform interrelationships. // Soil Sci. Soc. Am. J. 56, 1992. - P. 505-516.'

107. Odenweller J.B. Crop identification using Landsat temporal-spectral profiles. // Remote Sensing of Environment. Volume 14, Issues 1-3, 1984. - P. 39-54.

108. Oguro Y., Suga Y., Takeuchi S., Ogawa M., Konishi T., Tsuchiya K. Comparison of SAR and optical sensor data for monitoring of rice plant around Hiroshima. // Advances in Space Research, Volume 28, Number 1, 2001. - P. 195-200.

109. Omkar S.N., Senthilnath J., Mudigere D., Kumar M.M. Crop Classification using Biologically-inspired Techniques with High Resolution Satellite Image. // Journal of Indian Society of Remote Sensing, Volume 36. - P. 175-182.

110. Pettorelli N., Vik J.O., Mysterud A., Gaillard J.-M., Tucker C.J., Stenseth, N.C. Using the satellite-derived NDVI to assess ecological responses to environmental change. // Trends in Ecology and Evolution, Volume 20, 2005. - P. 503-510.

111. Prasad A.K., Chai L., Singh R.P., Kafatos M. Crop yield estimation model for Iowa using remote sensing and surface parameters. //'International Journal of Applied Earth Observation and Geoinformation. Netherlands: ELSEVIER, 2005. -P.26-33.

112. Qing H., Li Z., Wenbin W., Dandan L. MODIS-NDVI-Based crop growth monitoring in China Agriculture Remote Sensing Monitoring System. // Geoscience and Remote Sensing. IITA-GRS, 2010 - P.287-290.

113. Rama Rao N., Kapoor M., Sharma N., Venkateswarlu K. Yield prediction and waterlogging assessment for tea plantation land using satellite image-based techniques. // International Journal of Remote Sensing, Volume 28, 2007. - P. 15611576.

114. Rasmussen M. S. Assessment of millet yields and production in northern Burkina-Faso using integrated NDVI from the AVHRR. // International Journal of Remote Sensing, Volume 13, Issue 18, 1992. -P.3431-3442.

115. Ren J., Chen Z., Zhou Q., Tan H.. Regional yield estimation for winter wheat with MODIS-NDVI data in Shandong, China. // International Journal of Applied Earth Observation and Geoinformation, Volume 10, Issue 4, 2008. - P. 403-413.

116. Richardson A.J., Everitt J.H. Using spectra vegetation indices to estimate rangeland productivity. // Geocarto International, vol. 1, 1992. - P. 63-69.

117. Richardson A. J., Wiegand C.L. Distinguishing vegetation from soil background information. // Photogrammetric Engineering and Remote Sensing, vol. 43, 1977. -P. 1541-1552.

118. Rouse J. W., Haas R. H., Schell J. A., Deering D. W. Monitoring vegetation systems in the great plains with ERTS. // Third ERTS Symposium, NASA SP-351, vol. 1, 1973.-P. 309-317.

119. Scotford I.M., Miller P.C.H. Combination of Spectral Reflectance and Ultrasonic Sensing to monitor the Growth of Winter Wheat. // Biosystems Engineering, Volume 87, Number 1, 2004. - P. 27-38.

120. Turker М., Arikan M. Sequential masking classification of multi-temporal Landsat 7 ETM+ images for field-based crop mapping in Karacabey. // International Journal of Remote Sensing, Volume 26, Issue 17, 2005. - P. 3813-3830.

121. Tucker C.J., Pinzon J.E., Brown M.E., Slayback D., Рак E.W., Mahoney R., Vermote E., Saleous N. E. An Extended AVHRR 8-km NDVI Data Set Compatible with MODIS and SPOT Vegetation NDVI Data. // International Journal of Remote Sensing, Volume 26, Number 20, 2005. -P. 4485-5598.

122. Womble W. H. Differential systematic // Science, 114, 1951.-P. 315-322.

123. Yanga C., Everitta J.H., Murden D. Evaluating high resolution SPOT 5 satellite imagery for crop identification Original Research Article. // Computers and Electronics in Agriculture, Volume 75, Issue 2, 2011. - P. 347-354.

124. Zhzng J., Ding W., Fu C., Wu L. The influence of vegetation cover on summer precipitation in China: a statistical analysis of NDVI and climate data. // Advances in Atmospheric Sciences, 20, 2003. - P. 1002-1006.

125. Информационная система TerraNorte // Мониторинг состояния растительности. 2011. - (Рус.) - URL: http://193.232.9.72/terranorte/index.sht.

126. Министерство сельского хозяйства Российской Федерации. 2013 И - (Рус.). - URL: http://www.mcx.ru.

127. Национальный центр статистики образования США// School District Demographic System . - (Англ). - URL: http://nces.ed.gov/surveys/sdds/ed/index.asp.

128. Продовольственная и сельскохозяйственная организация Объединенных Наций // FAO: Статистика. 2011. - (Рус). - URL: http://www.fao.org.

129. Северский район. Сельское хозяйство района должно выйти из кризиса // Портал исполнительных органов государственной власти Краснодарского края. Краснодар, 2011. URL: http://krasnodar.ni/content/3/show/47117 (дата обращения: 22.09.2011).

130. Системы социально-экономического мониторинга на базе ORBISmap //. -(Рус.). - URL: http://www.orbisystems.ru.

131. Спутники RAPIDEYE // Данные дистанционного зондирования земли со спутников RAPIDEYE. 2012. - (Рус.) - URL: http://www.rapideye-satellite.ru/satellites.html.

132. Advanced Very High Resolution Radiometer // NESDIS-National Environmental Satellite, Data, and Information Service. 2012 - (Англ.) - URL: http://noaasis.noaa.gov/NOAASIS/ml/avhrr.html.

133. ArcGIS Server //GIS Web Server Software//Web Mapping Server. - (Англ). -URL: http://www.esri.eom/software/arcgis/arcg:isserver/index.html.

134. Autodesk Геоинформационные системы//Autodesk Map guide Studio. - (Рус.). - URL: http://www.mont.ru/products/autodesk/soft/mapguidestd.php

135. BioMedware // BoundarySeer | BioMedware - (Англ). - URL: http://www.biomedware.com.

136. GIS-Lab: Геоинформационные системы и Дистанционное зондирование Земли //. Вегетационные индексы. - 2010. - (Рус). - URL: http://gis-lab. info/qa/vi .html.

137. IBM - United States // IBM SPSS software. - (Англ). - URL: http://www-01 .ibm.com/software/analytics/spss.

138. Landsat Science // National Aeronautics and Space Administration. 2012 -(Англ.) - URL: http://landsat.gsfc.nasa.gov.

139. MODIS Website // National Aeronautics and Space Administration. 2012 -(Англ.) - URL: http://modis.gsfc.nasa.gov.

140. Resourcesat-1 (IRS-P6) Satellite Data // Geoscience Australia. 2012. - (Англ.) -URL: http://www.ga.gov.au/earth-observation/satellites-and-sensors/resourcesat-1 -irs-p6-satellite-data.html.

141. SPOT Satellite Imagery // Astrium Geolnformation Services : Satellite maps & images - geospatial solutions. 2012. - (Англ.) - URL: http://www.astrium-geo.com.

142. Unbeatable JavaScript Tools - The Dojo Toolkit // - (Англ.). - URL: http://doiotoolkit.org.

143. USGS Global Visualization Viewer // U.S. Geological Survey. 2012. - (Англ.) -URL: http://glovis.usgs.gov.