Система обработки и визуализации данных дистанционного зондирования Земли для мониторинга состояния сельскохозяйственной растительности тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Толпин, Владимир Аркадьевич

• Толпин, Владимир Аркадьевич
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Толпин, Владимир Аркадьевич

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

ГЛАВА 1. ВОЗМОЖНОСТИ СОВРЕМЕННЫХ СИСТЕМ ДИСТАНЦИОННОГО НАБЛЮДЕНИЯ И ОСНОВНЫЕ ЗАДАЧИ СИСТЕМ МОНИТОРИНГА СОСТОЯНИЯ

СЕЛЬСКОХОЗЯЙСТВЕННОЙ РАСТИТЕЛЬНОСТИ

Введение

1.1 Основные возможности современных систем дистанционной оценки состояния растительности на основе данных дистанционных наблюдений

1.2 Действующие спутниковые системы, которые сегодня могут быть использованы для мониторинга с/х растительности

1.3 Текущее развитие технологий и систем спутникового дистанционного мониторинга земель сельскохозяйственного назначения

1.4 Основные виды информации, которая сегодня необходима для эффективного контроля и управления с/х производством

1.5 Основные задачи, которые должны быть решены в системах дистанционного

мониторинга

Выводы к первой главе

ГЛАВА 2. АРХИТЕКТУРА ПОСТРОЕНИЯ И ФУНКЦИОНАЛЬНЫЕ ВОЗМОЖНОСТИ

СПУТНИКОВОГО СЕРВИСА «ВЕГА»

Введение

2.1 Основные задачи

2.2 Используемые данные

2.3 Архитектура системы

2.4 Основные инструменты анализа данных

2.5 Основные возможности анализа данных

Выводы ко второй главе

ГЛАВА 3. ТЕХНОЛОГИЧЕСКИЕ И ТЕХНИЧЕСКИЕ РЕШЕНИЯ, РЕАЛИЗОВАННЫЕ В

СПУТНИКОВОМ СЕРВИСЕ «ВЕГА»

Введение

3.1 Подсистема сбора и обработки данных

3.2 Подсистема архивации данных

3.3 Подсистема представление и анализа данных

3.4. Архитектура аппаратных комплексов обеспечивающих возможность

функционирования спутникового сервиса «ВЕГА»

Выводы к третьей главе

ГЛАВА 4. ИСПОЛЬЗОВАНИЕ СПУТНИКОВОГО СЕРВИСА «ВЕГА» ДЛЯ ОЦЕНКИ

СОСТОЯНИЯ СЕЛЬСКОХОЗЯЙСТВЕННОЙ РАСТИТЕЛЬНОСТИ

Введение

4.1 Методы выявления отклонений хода развития растительности от "нормального" состояния

4.2 Исследование возможности оценки урожайности по году аналогу, алгоритмы автоматического выбора года аналога

4.3 Исследование возможности оценки урожайности на основе построения корреляционных зависимостей между статистическими данными и вегетационными индексами

4.4 Сравнение разных методов оценки урожайности по спутниковым данным

Выводы к четвёртой главе

ГЛАВА 5. ИСПОЛЬЗОВАНИЕ СПУТНИКОВОГО СЕРВИСА «ВЕГА» ДЛЯ РЕШЕНИЯ

РАЗЛИЧНЫХ НАУЧНЫХ И ПРИКЛАДНЫХ ЗАДАЧ

Введение

5.1 Использование сервиса «ВЕГА» при создании различных систем дистанционного мониторинга растительности и окружающей среды

5.2 Использование спутникового сервиса «ВЕГА» в проекте РОССТАТА для контроля данных Всероссийской сельскохозяйственной переписи

5.3 Использование сервиса «ВЕГА» при создании системы дистанционного лесопатологического мониторинга

5.4 Использование спутникового сервиса «ВЕГА» для дистанционного мониторинга состояния лесов

5.5 Использование спутникового сервиса «ВЕГА» для решения научных задач

5.6 Использование спутникового сервиса «ВЕГА» для обеспечения данными различных

региональных систем мониторинга окружающей среды

Выводы к пятой главе

ЗАКЛЮЧЕНИЕ

ПРИЛОЖЕНИЕ 1. АКТЫ ОБ ИСПОЛЬЗОВАНИИ РЕЗУЛЬТАТОВ ДИССЕРТАЦИИ. 147 ПРИЛОЖЕНИЕ 2. СВИДЕТЕЛЬСТВА О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ

ПРОГРАММ ДЛЯ ЭВМ

ПРИЛОЖЕНИЕ 3. ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

СПИСОК ЛИТЕРАТУРЫ

Введение диссертации (часть автореферата) на тему «Система обработки и визуализации данных дистанционного зондирования Земли для мониторинга состояния сельскохозяйственной растительности»

ВВЕДЕНИЕ

Развитие систем спутникового наблюдения в последнее десятилетие позволило существенно расширить область применения данных дистанционного зондирования. В настоящее время работает достаточно большое количество спутников, позволяющих получать информацию, которая может эффективно использоваться для мониторинга сельскохозяйственных земель и состояния посевов. Также, в последние годы резко повысился уровень доступности и возможности оперативного получения спутниковой информации. Все это позволило начать активное внедрение методов дистанционного мониторинга для решения задач, связанных с ведением и контролем сельскохозяйственной деятельности ( [1] [2] [3] [4] [5] ), в том числе, обеспечило возможности для построения и внедрения систем дистанционного мониторинга земель агропромышленного комплекса и состояния посевов как на уровне страны, так и на уровне отдельных хозяйств и конкретных полей. Такие системы достаточно активно развиваются в мире. Анализ мирового опыта показывает, что во многих странах мира (Канада, США, страны ЕС, Индия, Япония, Китай и др.) как государственные службы, так и частные компании активно начинают использовать данные дистанционного зондирования. Работы по созданию различных систем, обеспечивающих представление дистанционной информации для проведения мониторинга сельскохозяйственных земель, в последние годы ведутся и в России. Вопросам, связанным с созданием систем и методов дистанционного мониторинга сельскохозяйственных земель и посевов, посвящено достаточно много работ (Лупян Е.А., Барталев С.А., Савин И.Ю., Клещенко А.Д., Страшная А.И., Куссуль H.H., Спивак Л.Ф., Муратова Н.Р., Erickson J.D., Wu Bingfang и др).

В тоже время, для практического широкого внедрения технологий дистанционного мониторинга в системы ведения и управления сельскохозяйственной деятельностью необходима разработка принципиально новых методов, технологий и систем обработки и визуализации спутниковых

данных, которые должны обеспечить возможность максимально автоматизированного получения оперативной, однородной и объективной информации о состоянии сельскохозяйственных земель и посевов на больших территориях. Должны также быть созданы технологии и системы, которые позволят территориально распределенным пользователям оперативно получать доступ к информации и эффективно проводить ее анализ. Созданию таких технологий и системы посвящена настоящая работа.

Целью диссертации является разработка методов, алгоритмов и технологий обработки, трансформации, визуализации и анализа спутниковых данных, для построения современных систем мониторинга сельскохозяйственной деятельности. В том числе, создание на базе предложенных решений системы «ВЕГА» (спутниковый сервис «ВЕГА»), ориентированной на дистанционный мониторинг состояния сельскохозяйственных земель и растительности на территории Северной Евразии и решение задач управления и принятия решений в области сельского хозяйства.

Для достижения поставленной цели решаются следующие основные задачи:

- проводится анализ возможностей действующих спутниковых систем, которые сегодня могут быть использованы для мониторинга сельскохозяйственной растительности, и определяются основные виды информации, которая в настоящее время необходима для эффективного контроля и управления сельскохозяйственным производством;

- разрабатывается архитектура системы дистанционного мониторинга состояния сельскохозяйственной растительности;

- накапливается банк данных многолетних спутниковых наблюдений и сопутствующих данных и рассчитываются необходимые вегетационные индексы (ВИ);

- разрабатывается алгоритм расчета на основе ВИ интегральных характеристик состояния различных типов растительности на уровне отдельных объектов и регионов наблюдения;

- разрабатывается алгоритм, позволяющий автоматически рассчитывать «нормальную» динамику ВИ для различных регионов, объектов и типов растительности;

- разрабатывается метод оценки состояния сельскохозяйственной растительности на основе данных дистанционного мониторинга, в том числе автоматического выявления отклонений от нормы;

- разрабатывается система «ВЕГА» на основе разработанной архитектуры для обеспечения распределенной работы с информацией о состоянии сельскохозяйственной растительности на территории Северной Евразии, полученной на основе данных дистанционных наблюдений;

- исследуется возможность использования созданной системы «ВЕГА» для решения различных задач, связанных с мониторингом состояния сельскохозяйственной растительности, в том числе для контроля и управления сельскохозяйственными комплексами;

- исследуется возможность использования созданной системы «ВЕГА» как основы для развития различных специализированных систем дистанционного мониторинга, в том числе систем управления и принятия решений.

Научная новизна работы содержится в следующих результатах:

- разработана система, которая впервые обеспечила возможность оперативного получения и анализа однородной объективной информации о состоянии сельскохозяйственной растительности на всей территории Северной Евразии, полученной на основе данных дистанционного мониторинга. Созданная система является уникальным инструментом, который позволяет решать как научные, так и прикладные задачи, в том числе задачи контроля и оценки состояния сельскохозяйственных земель;

- разработаны новые подходы к визуализации и комплексному анализу данных для дистанционного мониторинга и оценки состояния сельскохозяйственных земель и посевов.

Основные положения, выносимые на защиту:

- архитектура системы, ориентированной на решение задач дистанционного (спутникового) мониторинга состояния сельскохозяйственной растительности и обеспечивающая возможность работы со сверхбольшими постоянно и оперативно пополняющимися архивами спутниковых данных и результатов их обработки;

- система «ВЕГА» (http://vega.smislab.ru), созданная на основе разработанной архитектуры, позволяющая наряду с научными задачами мониторинга и изучением состояния сельскохозяйственной растительности, решать задачи контроля, управления и принятия решений в области сельского хозяйства;

- алгоритм автоматизированного расчета вегетационных индексов, интегрированных на уровень отдельных регионов и объектов, позволяющий на основе данных дистанционного мониторинга получать объективные характеристики о состояние различных типов растительности в отдельных регионах или объектах мониторинга;

- алгоритм автоматизированного расчета "нормальной" динамики вегетационных индексов для различных регионов, объектов и типов растительности;

- метод обнаружения аномальных изменений в развитии сельскохозяйственных культур в различных регионах и на различных объектах (полях), основанный на анализе данных дистанционного зондирования и выявления отклонений динамики наблюдаемых вегетационных индексов от среднемноголетней "нормы".

Все основные результаты получены автором лично.

Практическая ценность работы заключается в том, что созданная система «ВЕГА» внедрена в 2011 году Институте космических исследований Российской академии наук (ИКИ РАН) и в настоящее время используется организациями различного профиля (от научных организаций до страховых компаний). За время работы система использовалась в десятках научных и прикладных проектах для

решения широкого круга задач по контролю, мониторингу и анализу растительности. В том числе в проектах FRA FAO, ZAPÁS и MOCCCASIN. На базе нее созданы различные региональные и специализированные системы. В том числе, «Вега-Лесопатолог», «Вега-Дальний Восток», сервис «Хабаровский край», «В ега-Эпидемиолог», «В ега-Пиролог».

Апробация работы. Основные положения диссертации докладывались и обсуждались на международных и всероссийских конференциях: VIII, IX конференции молодых ученых «Фундаментальные и прикладные космические исследования (Москва, 2011, 2012); 4-ой-10-ой всероссийской открытой ежегодной конференции "Современные проблемы дистанционного зондирования Земли из космоса" (Москва, 2006-2012); XXII International Society for Photogrammetiy and Remote Sensinsing Congress (Мельбурн, Австралия 2012); International Workshop on "Impact of Climate Change on Agriculture" Space Applications Centre (Ахмедабад, Индия, 2009); всероссийской научной конференции «Методическое обеспечение мониторинга земель сельскохозяйственного назначения» (Москва, 2009). Всего было сделано 18 докладов.

Публикации. По результатам диссертационных исследований опубликовано 35 работ: 17 статей (13 статей в изданиях по списку ВАК), 18 тезисов докладов на международных и российских конференциях, 3 свидетельства на регистрацию программ.

Внедрение результатов работы. Диссертационная работа выполнена в Институте космических исследований Российской академии наук (ИКИ РАН). Результаты работы в виде спутникового сервиса «ВЕГА» внедрены в ИКИ РАН. На базе сервиса «ВЕГА» созданы специализированные системы и методы анализа данных, которые внедрены в ВЦДВОРАН и ФГБУ "ГИДРОМЕТЦЕНТР РОССИИ". Сервис «ВЕГА» использовался в проектах РФФИ (11-07-12026-офи-м-2011, 11-01-91159-ГФЕН_а, 13-07-00513, 13-07-12116, 13-07-12180, 13-05-41420-рго-а) и Министерства Образования и Науки РФ (07.514.11.4037, 14.515.11.0007,14.515.11.0014,14.515.11.0030,14.515.11.0011).

Структура и объем работы. Работа состоит из введения, пяти глав, заключения, трех приложений и списка литературы. Основной текст содержит 143 страницы, 36 рисунков и 12 таблиц. Список литературы включает 92 наименования.

В первой главе анализируются текущее состояние и тенденции развития систем мониторинга состояния растительности, дан обзор существующего опыта использования данных дистанционного зондирования (ДДЗ) в применении к задачам мониторинга сельскохозяйственных (с/х) земель. В главе анализируются основные способы мониторинга состояния растительности с использованием данных ДЗ. Выполнен анализ требований к приборам дистанционного зондирования (ДЗ) в применении к задачам мониторинга с/х земель и обоснована целесообразность использования общедоступных спутниковых данных. Выполнен обзор действующих и разрабатываемых систем спутникового мониторинга с/х земель, описываются основные задачи и требования к создаваемым современным системам дистанционного мониторинга пахотных земель

Во второй главе формулируются основные задачи, на решение которых направлена разрабатываемая система (спутниковый сервис «ВЕГА»). Предложена архитектура ее построения, определен состав используемой информации и инструментов анализа данных. В главе также, рассматриваются основные возможности проведения анализа данных дистанционного зондирования для решения различных задач сельскохозяйственного мониторинга с использованием разработанных инструментов сервиса «ВЕГА».

В третьей главе рассматриваются технологические и технические решения, реализованные в сервисе «ВЕГА» для получения всех уровней данных, а также решения, применяемые при визуализации и анализе данных. Рассматриваются основные подсистемы, необходимые для функционирования сервиса, а именно, подсистема сбора и обработки данных, подсистема ведения архивов и подсистема

представления и анализа данных. Анализируются программно-аппаратные средства, необходимые для функционирования сервиса «ВЕГА».

В четвертой главе разрабатываются различные методы и алгоритмы оценки состояния сельскохозяйственной растительности, созданные с использованием возможностей сервиса «ВЕГА». Разрабатывается инструмент исследования корреляционных зависимостей между статистическими данными и вегетационными индексами, который можно использовать в задачах оценки урожайности. Анализируются преимущества и недостатки исследованных методов анализа состояния растительности с использованием спутниковых данных.

В пятой главе описываются возможности использования спутникового сервиса «ВЕГА» как основы для решения различных научных и прикладных задач. Приводятся примеры проектов и систем, которые построены и функционируют на основе сервиса «ВЕГА» и используя технологии, разработанные при создании сервиса «ВЕГА». Описываются возможности по интеграции спутникового сервиса «ВЕГА» в другие системы мониторинга и обеспечение их необходимыми данными.

В заключении приводятся основные выводы и результаты диссертации.

и

ГЛАВА 1. ВОЗМОЖНОСТИ СОВРЕМЕННЫХ СИСТЕМ ДИСТАНЦИОННОГО НАБЛЮДЕНИЯ И ОСНОВНЫЕ ЗАДАЧИ СИСТЕМ МОНИТОРИНГА СОСТОЯНИЯ СЕЛЬСКОХОЗЯЙСТВЕННОЙ

РАСТИТЕЛЬНОСТИ

Введение

Настоящая глава посвящена проблемам мониторинга состояния сельскохозяйственной растительности. В ней анализируются текущее состояние и тенденции развития систем мониторинга состояния растительности. Обсуждаются вопросы использования данных дистанционного зондирования в применении к задачам мониторинга растительности и в особенности земель сельскохозяйственного назначения.

В первом параграфе анализируются основные возможности современных систем дистанционной оценки состояния растительности на основе использования данных дистанционных наблюдений.

Во втором параграфе приводится обзор действующих спутниковых систем, которые сегодня могут быть использованы для мониторинга с/х растительности и обосновывается целесообразность использования данных съемочной системы

МОБга.

В третьем параграфе анализируется текущее развитие технологий и систем спутникового дистанционного мониторинга земель сельскохозяйственного назначения.

В четвертом параграфе анализируются основные виды информации, которая сегодня необходима для эффективного контроля и управления с/х производством.

В пятом параграфе формулируются основные задачи, которые должны быть решены в системах дистанционного мониторинга

1.1 Основные возможности современных систем дистанционной оценки состояния растительности на основе данных дистанционных наблюдений

Дистанционное зондирование - это получение информации о свойствах объектов или явлений с помощью регистрирующего устройства, не имеющего с ними непосредственного контакта.

При изучении земной поверхности дистанционными методами носителем информации об объектах служит их собственное или отраженное изучение. Основные области применения спутникового дистанционного зондирования -получение информации о состоянии окружающей среды и землепользовании, изучение растительных сообществ, оценка урожая сельскохозяйственных культур, оценка последствий стихийных бедствий: наводнений, землетрясений, извержений вулканов, лесных пожаров.

Следует отметить, что спутниковые системы дистанционного зондирования являются одним из наиболее эффективных инструментов изучения долговременных крупномасштабных процессов, связанных с глобальными изменениями. Имеющиеся в настоящее время спутниковые приборы и методы анализа данных дистанционного зондирования дают возможность регулярного получения в глобальном масштабе оценок многих характеристик растительного покрова.

Спутниковые системы ДЗ обладают рядом преимуществ:

• возможность проведения регулярных наблюдений одной и той же территории;

• более низкая стоимость получения данных по сравнению с самолетными системами;

• меньшую вероятность случайных искажений получаемых изображений за счет более устойчивого положения спутников на орбите;

• минимальное воздействие человеческого фактора.

Для мониторинга состояния растительности особый интерес представляет отражательная способность растительного покрова. Спектральная отражательная

способность растительности изменяется с длиной волны и обладает характерными особенностями. На рисунке 1.1 показана типичная кривая спектральной отражательной способности растительности с основными ее областями, которые имеют важное значение. В видимом диапазоне длин волн пигментация листьев растений влияет на спектральные характеристики. При этом в видимом диапазоне особенно важно наличие хлорофилла. В ближнем ИК диапазоне отражательная способность заметно повышается с незначительным поглощением световой энергии зелеными фракциями растений. На определенных длинах волн среднего ИК диапазона также сильно поглощает энергию вода, что для содержащих влагу зеленых листьев приводит к появлению в спектре зон водного поглощения.

Рис. 1.1. Кривая спектральной отражательной способности зеленого растительного покрова

Как уже отмечалось, 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.

С различными видами спектральных характеристик, соответствующих различным растениям и фазам развития, можно ознакомится в работах [6], [7].

Отражательные свойства сельскохозяйственных культур достаточно хорошо изучены по данным наземных и самолетных наблюдений ( [8], [9], [10] ).

Особенности спектрального отражения растительности были положены в основу разработки серии спектральных вегетационных индексов, широко используемых в настоящее время при дистанционном зондировании растительности.

Вегетационные индексы (ВИ) это эмпирически выведенные показатели, рассчитываемые путем операций с различными спектральными каналами ДДЗ для оценки различных свойств растительности. Одно из используемых предположений состоит в том, что участки поверхности, соответствующие открытой почве будут формировать в спектральном пространстве красного и ближнего ИК каналов прямую линию (так называемую линию почв). Широко распространенные вегетационные индексы используют в основном соотношение красного и ближнего ИК каналов, хотя существует ряд индексов, которые предполагают использование данных измерений в среднем ИК канале.

Вегетационных индексов, которые используют комбинации коэффициента спектрального отражения в красной области (RED) и ближней ИК области (NIR) спектра может быть большое количество, некоторые из них можно посмотреть в работе [11]. Использование того или иного индекса зависит от задачи. Каждый индекс является более чувствительным к одним изменениям и менее чувствительным к другим.

Нормализованный разностный ВИ Normalized Difference VI (NDVI) [12] -наиболее широко используемый в мире спектральный вегетационный индекс. Он прост для вычисления, имеет самый широкий динамический диапазон из распространенных ВИ, при лучшей чувствительности к изменениям растительного покрова. Он определяется следующим образом:

NDVI = (NIR-RED)/(NIR+RED)

Одно из преимуществ данного индекса, состоит в том, что его значения изменяются от -1 до 1. Для растительности индекс NDVI принимает положительные значения, обычно от 0.2 до 0.8. Кроме того, NDVI, в отличие от многих других ВИ, достаточно устойчив, по отношению к изменениям атмосферных условий и позволяет корректно сравнивать единовременные измерения, соответствующие различным географическим широтам.

Значения вегетационных индексов тесно коррелируют с сезонными характеристиками растительности, такими как время начала вегетации, текущая фаза и длина вегетационного сезона и т.п. Например, в работе [13] временные ряды индексов NDVI и SAVI [14] использовались для оценки динамики и определения фаз всходов, а также созревания культурной растительности. А в работе [15] показано, что временные ряды NDVI, совместно с индексом снега NDSI [16] и воды NDWI [17] могут быть использованы для точного определения дат начала и окончания вегетации, в условиях наличия снежного покрова.

Таким образом, в задачах выявления изменений растительности ВИ можно использовать для различного вида задач. Однако, для полноценного использования в задачах мониторинга растительности, необходимо иметь многолетние ряды ВИ для того, чтобы можно было оценивать отклонения в поведение растительности, имея данные о том, как развивалась растительность в предыдущие года. Соответственно, для этого необходимо иметь многолетние временные серии спутниковых данных. Однако, для выявления изменений растительности, в особенности сельскохозяйственной растительности, важным фактором является не только наличие многолетних рядов данных, но и временное разрешение этих данных.

Таким образом, для мониторинга состояния растительности необходимо использовать спутниковые системы, осуществляющие съёмку территории как можно чаще, в идеале несколько раз в день. Выбор той или иной спутниковой системы зависит от конкретной задачи. Если идет речь о достаточно медленно изменяющейся растительности, например леса, то можно использовать системы с

большим периодом съемки, однако если речь идет об анализе сельскохозяйственной растительности, то основополагающем фактором является наибольшая периодичность съемки, особенно в весенний период. Следует особо отметить, что как показывают оценки полученные на основе анализа многолетних данных спутниковых наблюдений [18], для того чтобы более менее гарантировано получить безоблачный недельный безоблачный композит по основным сельскохозяйственным регионам России, необходимо производить как минимум ежедневные спутниковые наблюдения этих регионов. Возможность проведения таких наблюдений позволяют сегодня производить лишь некоторые спутниковые системы, основные возможности которых будут рассмотрены в следующем параграфе.

1.2 Действующие спутниковые системы, которые сегодня могут быть использованы для мониторинга с/х растительности

Важнейшей характеристикой систем дистанционного зондирования является пространственное разрешение, вне зависимости от метода зондирования. Эта величина зависит от множества параметров, таких как высота орбиты, фокусное расстояние оптической системы, размер светочувствительных элементов сканера.

Данные ДЗ можно разделить на четыре категории в соответствии с величиной пространственного разрешения: данные низкого разрешения (~1 км), среднего разрешения ((~250-500 м), высокого разрешения ((-20-50 м), сверхвысокого разрешения ((-1-5 м). Классифицируя спутниковые системы дистанционного зондирования по уровню пространственного разрешения, можно выделить описанные ниже четыре группы данных [19].

Данные низкого пространственного разрешения (~1 км), имеющие высокую периодичность наблюдений и способные не реже чем ежесуточно обеспечивать глобальное покрытие в зависимости от широты местности. К инструментам этого

уровня относятся системы NOAA-AVHRR, SPOT-Vegetation и Terra/Aqua-MODIS, измеряющие характеристики излучения в широком диапазоне длин волн.

Данные среднего пространственного разрешения (~250-500 м), получаемые, в частности, спутниковыми системами дистанционного зондирования Terra/Aqua-MODIS и Envisat-MERIS и способные обеспечить глобальное покрытие Земли в течение 1-3 дней, также проводят измерения в широком диапазоне длин волн оптического спектра.

Данные высокого пространственного разрешения (~20-50 м), обеспечивают, как правило, частоту наблюдений территории не выше чем один раз в две недели. К спутниковым системам этого класса относятся многоспектральные сканирующие радиометры оптического диапазона LANDSAT-TM/ETM+/OLI-TIRS, SPOT-HRV/HRVIR, Terra-ASTER, IRS-LISS.

Данные сверхвысокого разрешения (~1-5 м) применяются обычно для выборочных наблюдений на нерегулярной основе. Это такие спутниковые системы, как IKINOS, QuickBird, SPOT-HRG и IRS-PAN.

Технические характеристики приборов ДЗ, наиболее широко используемых для мониторинга растительности, приведены в таблице 1.1.

Таблица 1.1

Характеристики спутниковых систем ДЗ, используемых для решения задач с/х мониторинга

У—..... С пск1 ралыше кангим и »

AVHRR (серия NOAA) 0,58 -12,5 мкм (6 каналов) разрешение 1100 м 1-2 с 1973 г. по настоящее время, свободное распространение

Vegetation-l\2 (SPOT 4\5) 0,43-1,75 мкм (4 каналов) разрешение 1100 м 1-2 с марта 1998 г. по настоящее время, свободное распространение с задержкой 3 месяца

MODIS (Terra/Aqua) 36 каналов покрывают диапазон 0,4-14,4 мкм 250 м (1-2 каналы) 500 м (3-7 каналы) 1000 м (8-36 каналы) 1-2 с декабря 1999/2002 г. по настоящее время, свободное распространение

КМСС (Метеор-М1) 0,53-0,90 мкм (3 канала 50м) 0,37-0,69 мкм (3 канала 100м) 1-2 с сентября 2009 г. по настоящее время, по предварительным заявкам

.. . С немрлльные к ли 1Ы н 1 Iniioop (С11\ IH1IU) 1 ' 1 1 * разрешение 1, Иремя ф\нкцпо[|ироиа1П1Я. (.м лоимшомь 1 J

MERIS(Envisat) 15 каналов покрывают диапазон 0,4-1,05 мкм (300 м) 2-3 с 2000 г. по настоящее время по предварительным заявкам

HRV(SPOT 1-3) 0,55 мкм (20 м) 0,65 мкм (20 м) 0,84 мкм (20 м) 26 с февраля 1986 г., БРОТ-2 используется до настоящего времени по лицензии, на коммерческой основе

HRVIR(SPOT 4,5) 0,55 мкм (10 м) 0,65 мкм (10 м) 0,84 мкм (10 м) 1,67 мкм (10 м) 26 с марта 1998 г. по настоящее время, БРОТ-5 используется до настоящего времени

ТМ (LANDSAT-5) 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) 10,4-12,5 мкм (60 м на ЕТМ+, 120 м на ТМ) 2,09-2,35 мкм (30 м) 0,52-0,9 мкм (панхром) (30 м, только на ЕТМ+) 16 с марта 1984 г. по декабрь 2012г., свободное распространение

ЕТМ+ (LANDSAT-7) с апреля 1999 г. по настоящее время,свободное распространение

OLI-TIRS (LANDSAT -8) 0.433 — 0.453 мкм (30м) 0.450 — 0.515 мкм (30м) 0.525 — 0.600 мкм (30м) 0.630 — 0.680 мкм (30м) 0.845 — 0.885 мкм (30м) 1.560 — 1.660 мкм (30м) 2.100 — 2.300 мкм (30м) 0.500 — 0.680 мкм (15м) 1.360 — 1.390 мкм (30м) 16 с апреля 2013 г. по настоящее время, свободное распространение

Список литературы диссертационного исследования кандидат наук Толпин, Владимир Аркадьевич, 2013 год

Список

Сцеш 1-4, асе» - <

О 3013-09-14 0730:27 LAND SA Т 8-(U808)

О 3013-09- и 07 .19.15 LAHD8AT 8*(ÜSOS)

О »13-09-14 07:18:32 LANDSAТ 8е (DSGS)

О 3013-09-13 06:13:17 LANDSAT 8* (USÖS)

С »13-09-13 07:18:17 LANDSAT 7* (ÜS0S)

О »13-09-13 0732:49 LANDSAT 8" (USGS)

Область отображения картографической информации

Область информация по точке Россия

Южный федеральный округ Ростовская обладь

Пвжар 41420

(по данным космического мониторинга) Стешии» сейчас: двишует

Кмрдюпты: 46° 47* с.ш. - 41е 241 вд Первое пбхадекж: 11 09.2013 0750 GMT Шел- юй»дою*: 1109Ж3 0730 GMT Г\мхдо» огнем: 48 га

Выбрана точка; 46.47212° с ш 41 29485° вд

Динамита 1ФУ1 р этой точке

РИ по каналам в этой точке

Фоновое покрытие ® Не отображать С1 Контура О Изображения

Рис. 3.4. Пример картографического интерфейса Для удобной работы пользователей с разновременными данными в интерфейсе реализованы однотипные блоки, которые позволяют управлять различными по типам спутниковыми данными и результатами их обработки. Например, работать с:

• данными высокого пространственного разрешения, представление которых осуществляется достаточно локализованными сценами;

• данными низкого и среднего разрешения характерной, единицей представления которых являются «сеансы», охватывающие значительные территории;

• сериями временных и пространственных композитов и различных продуктов обработки спутниковых данных.

Характерные виды вкладок обеспечивающей управление такими данными представлены на рисунке 3.5.

Вкладка работы с данными высокого разрешения

Вкладка работы с данными среднего и низкого разрешения

Вкладка работы с композитными изибражениямн

В Длины» выс окого разрешения

Дата

с 2013-09-12 Д по 2013-09-15 [~j С - только за эту J.

Фильтр данных

I I Только по заданному тлигону 0 Облачность» более 10 %

0 LAHDSAT 4 (ГШ) 0 LAM>SAT 5 СЕТИ) 0 LAHDSAT 7 (ETI*-) 0 LAHDSAT 8 (0LI-TIRS)

Донные Геопортала Роскосмоса

м«

t ю других систем

Список-

Свш 1-11, все» - 12

О 2013-09-15 08:05:18 LAHDSAT 8- (OSOS) О 2013-09-14 07:20:27 LAHDSAT 8-(U8OS) О 2013-09-14 07:19:15 LAHDSAT 8"(USOS) О 2013-09-14 07:18:52 LAHDSAT 8-(USBS) О 2013-09-14 07:18:28 LAHDSAT 8* (USOS) О 2013-09-13 08:17:40 LAHDSAT 8* (OSOS) О 2013-09-13 08:15:17 LAHDSAT 8* (USOS) О 2013-09-13 07:18:17 LAHDSAT 7-(OSOS) О »13-09-12 09Ä7 44 LAHDSAT 8* (USOS) О 2013-09-12 09:07:20 LAHDSAT 8* (USOS)

Пр*д пориия Сяел .поршня

Сиггк 1ыдвл*ние

Продукты

Контура

Фоновое покрыше ® Не отображать О Контура О Изображения

ПаЕ1?ЕНЕЕЕ!ШЕ1

0 Данные среднего разрешения

За дату 2013-09-14 00 □

Фильтр данных

О Талью по заданному полигону

Слутмох 0 TERRA 0 AQUA

Цт, .■■ j—

0LANCI

Список сеансов

Hifei ■ (tum: 24

О 2013-09-14 23 40:00 AQUA (LAHCE)

О »13-09-14 2335:00 AQUA (LAHCE)

О 2013-09-14 22 Л5Л0 AQUA (LAHCE)

О »13-09-14 22:00 00 AQUA (LAHCE)

О »13-09-14 21.55:00 AQUA (LANCE)

О »13-09-14 19.3500 ТША (LAHCE)

О »13-09-14 193000 TERRA (LAHCE)

О »13-09-14 17 55« TERRA 0-АНС1Э

О »13-09-14 17 50:00 TERRA (LAHCE)

О »13-09-14 16 20 00 TERRA (LAHCI)

О 2013-09-14 11 50:00 AQUA (LAHCE)

О »13-09-14 11:45:00 AQUA (LAHC^I

О »13-09-14 10:10:00 AQUA (LAHCE) V

В корзину

* Сиггъ |Ы«ОЛОИК<

Продукты

Контур сеанса vj*

фонов и е аикрытис

(•у Не отображать

О Контура

О Изображении (по продукту)

Е Компостные тобрлження

Дата

с 2012-09-15 Д по :oir>-oo-i< □

Список

с 2013В-11 О 2013-ОМО о 2013 09 01

С аи-и и

о 2013-1Я.11 с 2113-08-04 о 2013-07-20 о 2013-07-21 С 2013-07-14 С 2013-07-07

Г^ Tin Ы К :

Продукт

Вегетационный индекс NDVI

3

П Покрьпзе Lands«! (1988-2003)

Вкладка работы с данными по растительности и объектами

0 Растительность

Поля

Просмотр тлен пользователей: Все (279070)

Agrofusionl 2 (5) agroterra (224) alex (5) anna (1132) ariana (3) artgrain (467) atopchihlnkyj (1391) barn_k (165)

LJ

П Поля, введенные пользователей ± Поля, пэ тжпу угодий

* Поля, лэ культура*

К.трты оврабатываемых земель

£+ Обрабатываемые земли & Озимые Чистый пар

+ Озимые - отклонение площадей от среднего многолетнего

Карты земель в p.ripe-те попей

.+ Обрабатываемые земли С+ Озимые

* Чистый пар

Рис. 3.5. Примеры различных типов вкладок Рассмотрим наиболее характерные вкладки и функции, созданные специально для сервиса «ВЕГА». Такими вкладками являются вкладка «Композитные изображения» и вкладка «Растительность», характерный вид вкладок представлен на рисунке 3.6.

Вкладка «Композитные изображения» позволяет просматривать различные композитные изображения по всей доступной территории. Такими изображениями являются карты >ГОУ1, безоблачные композиты МСЮ18 и ЬАКОБАТ. Помимо этого, на вкладке доступен набор продуктов, основанный на анализе отклонений хода N0X^1 текущего сезона. Эти продукты представляют собой картограммы отклонений развития растительности от нормального состояния для различных типов растительности в разрезе районов. Кроме того, используются различные метода расчета отклонений.

Вкладка «Растительность» позволяет работать как с объектами мониторинга (полями), так и с различными картами растительности. На вкладке доступны

наборы карт пахотных земель, земель занятых озимыми и находящимися под паром с 2001 года по настоящее время. Вкладка позволяет просматривать все эти карты в любом сочетании.

Одной из основных особенностей сервиса «ВЕГА» является возможность работы с различными объектами мониторинга (полями). Эти объекты могут заводить сами пользователи системы. Для этого в картографическом интерфейсе системы создан специальный функционал, который позволяет оконтурить объект на карте. Для оконтуривания объекта удобно использовать сцены ЬАЫЭ8АТ или композитное изображение ЬАЖ)8АТ. После того как в системе заводится новый объект, для него автоматически рассчитывается динамика хода вегетационного индекса за весь период для которого в системе имеются данные, это занимает 1 -2 минуты. Кроме того, для объекта определяется его пространственное расположение, и объект приписывается к определенному району и субъекту.

Для работы с объектами и информацией по ним созданы специальные интерфейсы. Работа с объектами невозможна без интерфейса навигации по списку объектов. Для решения этой задачи на сервисе «ВЕГА» был создан специальный интерфейс, характерный вид такого интерфейса представлен на рисунке 3.3.

Рис. 3.6. Интерфейс для навигации по списку объектов

Интерфейс содержит элементы управления, которые позволяют фильтровать список объектов по территориальным или иным признакам, что приводит к сокращению списка отобранных объектов. Особенность интерфейса в том, что

значения фильтров получаются динамически, на основе анализа объектов в БД и составления списка возможных параметров.

Для каждого объекта в интерфейсе представлены ссылки для быстрого перехода в другие интерфейсы, интерфейс анализа временных рядов, картографический интерфейс с позиционирование на выбранном объекте и интерфейс управления атрибутами объекта.

Данный интерфейс также позволяет контролировать процесс развития растительности через статус развития растительности. Данный статус показывает отклонения в развитие растительности от нормы, если она задана. Используя фильтры по статусу, и применяя различные сортировки можно отбирать только объекты, у которых установлена норма, или наоборот, или сделать сортировку по величине отклонения от нормы в ту или иную сторону. Это позволяет получить максимально автоматизированный инструмент контроля ситуации на объектах мониторинга.

Для задания норм и анализа временных рядов разработан интерфейс анализа. Характерный вид интерфейса представлен на рисунке 3.7.

Шк Сервис BETA

Выбор вкладок £ Выбранные объекты £ ^

Список параметров и временных промежутков

Двсчи»до6м«тм

0**5 там NOV! (гма)

KMcw^wiMoirDKMiMX KM tfcarW w [«нему (юая №1<t.£^n)(M«4(MMM.»l(IMWHMIj

Км tptw^lt WW**

w^twi^wHfawlJiiw mne кмн

НПО

ят

XX»

0С«1ЛИС« гпаа*а ГВДЦГГЫ ШЧП) П|бг»«Э|*** КЛМТ»ЛМ

Область отображения графиков выбранных параметров

л!

* I.

Межгодовые параметры

К КМим».

vim т

Область управления данными

«.^Н'а s: ц «' -

Кнопки управления графиков!

I 3 Э 4 5 • 7 8 » IB It 12 IJ 14 15 1в 17 It I» Д>2' 22 23 24 X X27 2в 2» 30 31 33 33 34 35 X V 36 Я 40 41 42 43 44 4S 4« 47 4«43 50 51 52 S3

Рис. 3.7. Характерный вид интерфейса анализа временных рядов

Этот интерфейс позволяет анализировать временное распределение выбранной величины. Аналогично картографическому интерфейсу он состоит из области анализа, в которой находится график анализируемых данных и области управления. Область управления также использует технологию вкладок для группировки и управления различными данными и функциями. Интерфейс позволяет динамически выбирать необходимые параметры и временные промежутки и получать график, на котором они будут отображены. При необходимости дополнительного анализа данные могут быть экспортированы в обменный формат.

Аналогично картографическому интерфейсу при изменении списка данных происходит запрос на сервер, в ответ на который, формируется картинка с графиком и передается в интерфейс. Интерфейс построен на технологиях DHTML и AJAX. Для формирования графиков используются CGI скрипты и компонент ChartDirector для Perl (http://www.advsofteng.com/).

Необходимо особо подчеркнуть, что созданные интерфейсы и системы хранения данных позволяют эффективно работать с достаточно большим числом объектов. Так, например, по состоянию на сентябрь 2013 года в системе было заведено 278'878 объектов мониторинга (полей), при этом получение информации за любой год из 13 лет для любого из объектов не превышает 1-2 секунд.

Физически все интерфейсы доступа и анализа находятся на одном сервере. Сервер работает под управление ОС FreeBSD 8.3 и имеет следующие характеристики :

• 1 процессор Intel Xeon (4-х ядерный);

• 16Гб память ОЗУ;

• HDD 16Т6 на RAID контроллере Adaptec в режиме RAID-5EE;

• наличие низкоуровневого управления IPMI.

Более подробно архитектура и аппаратные средства сервиса «ВЕГА» описываются в следующем параграфе.

3.4. Архитектура аппаратных комплексов обеспечивающих возможность функционирования спутникового сервиса «ВЕГА»

С аппаратной точки зрения, сервис «ВЕГА» представляет собой набор серверов и обработчиков, которые обеспечивают следующие функции:

• хранение исходных данных МСЮ18;

• предварительная и тематическая обработка;

• хранение данных высокого разрешения;

• хранение данных среднего разрешения;

• хранение композитных изображений;

• хранений БД объектов и характеристик;

• предоставления функций доступа.

Наглядно архитектура сервиса «ВЕГА» представлена на рисунке 3.8.

Рис. 3.8. Аппаратная архитектура сервиса «ВЕГА»

Сервер МОО^РБ обеспечивает архивирование, хранение и формирование заданий на обработку данных. В свою очередь пул обработчиков периодически опрашивает МОБ18Р8 на предмет наличия не обработанных заданий, если таковые находятся, обработчик его забирает, обрабатывает и результат выкладывает на определенный сервер.

Сервер HRSATDB предназначен для архивирования и хранения данных высокого разрешения, таких как LANDSAT.

Сервер MRSATDB предназначен для архивирования и хранения данных среднего разрешения MODIS LANCE.

Сервер SMISVEGA предназначен для архивирования и хранения различных композитных изображений, а также других тематических продуктов, для которых используется «тайловая» технология.

Сервер VEGA предназначен для хранения объектов мониторинга и их характеристик. На нем расположены интерфейсы доступа к данным, интерфейсы контроля и управления пользователями.

Сервера имеют аппаратные характеристики, указанные в таблице 3.2.

Таблица 3.2 Аппаратные характеристики серверов

Сервер

VEGA • 1 процессор Intel Xeon (E31230 4-х ядерный); • 16Гб память ОЗУ; • HDD 16Т6 на RAID контроллере Adaptec в режиме RAID-5EE; • наличие низкоуровневого управления IPMI

SMISVEGA • 2 процессора Xeon (Intel Xeon Е5606 4-х ядерные); • 12Гб память ОЗУ; • HDD 16Т6 на RAID контроллере Adaptec в режиме RAID-5EE; • наличие низкоуровневого управления IPMI

MRSATDB • 2 процессора Xeon (Intel Xeon Е5606 4-х ядерные); • 12Гб память ОЗУ; • HDD 16Т6 на RAID контроллере Adaptec в режиме RAID-5EE; • наличие низкоуровневого управления IPMI

HRSATDB • 2 процессора Xeon (Intel Xeon Е5-2643 4-х ядерные); • 65Гб память ОЗУ; • HDD 55Т6 на RAID контроллере Adaptec в режиме RAID-5EE; • наличие низкоуровневого управления IPMI

MODISFS • 2 процессора Xeon (Intel Xeon Е5606 4-х ядерные); • 12Гб память ОЗУ; • HDD 16Т6 на RAID контроллере Adaptec в режиме RAID-5EE; • наличие низкоуровневого управления IPMI

Все сервера работают со следующим ПО:

• ОС FreeBSD 8.3;

• HTTP сервер Apache 1.3, 2.2;

• СУБД-MySql 5.5, 5.6;

• Perl 5.

Для обработки данных используется пул обработчиков, характеристики которых:

• Процессор - Xeon ЕЗ (частота более 3Ghz);

• ОЗУ-16 Гб

• жесткие диски 2x2Гб в зеркале

• упрощенный RAID-контроллер Adaptec (уровни 0,1) ASR-6405E

• наличие низкоуровневого управления IPMI;

• корпус U1 (один БП);

Пул обработчиков использует ОС Window 7, Windows ХР или Windows 2000. На них дополнительно установлено ПО, необходимое для проведения соответствующих процедур обработки.

Выводы к третьей главе

В главе представлены основные технологические и технические решениям разработанные для реализации системы «ВЕГА». К основным, результатам главы можно отнести следующие:

- разработана подсистема полностью автоматизированного ведения архивов данных сервиса «ВЕГА», позволяющая осуществлять работу с разнородными большими (текущая емкость около 250Т6), долговременными (глубиной более 10 лет) архивами информации.

- разработана подсистема полностью автоматизированного полонения архивов данных, позволяющая не только оперативно заносить в архивы различные данные и информационные продукты, но и производить расчет интегрированных по различным регионам характеристик,

использующихся для оценки состояния сельскохозяйственной растительности;

- разработаны специализированные интерфейсы позволяющие пользователям удаленно осуществлять пространственный и временной анализ информации, а также полностью автоматически формировать различные информационные бюллетени;

- разработана архитектура аппаратных комплексов для реализации сервиса «ВЕГА».

ГЛАВА 4. ИСПОЛЬЗОВАНИЕ СПУТНИКОВОГО СЕРВИСА «ВЕГА» ДЛЯ ОЦЕНКИ СОСТОЯНИЯ СЕЛЬСКОХОЗЯЙСТВЕННОЙ

РАСТИТЕЛЬНОСТИ

Введение

Настоящая глава посвящена использованию спутникового сервиса «ВЕГА» для оценки состояния сельскохозяйственной растительности. В ней рассматриваются различные методы оценки состояния сельскохозяйственной растительности с использованием данных дистанционного зондирования, а также исследуются возможности оценки урожайности с использованием спутниковых данных.

В первом параграфе предложен метод выявления отклонений хода развития растительности от "нормального" состояния и предлагаются варианты построения норм.

Во втором параграфе анализируются возможные алгоритмы автоматического выбора года аналога и возможности оценки урожайности по году. Анализируются достоинства и недостатки данного метода. Приводятся результаты апробации.

В третьем параграфе разрабатывается инструмент исследования корреляционных зависимостей между статистическими данными и вегетационными индексами, который можно использовать в задачах оценки урожайности. Анализируются достоинства и недостатки данного метода. Приводятся результаты апробации и примеры существующих интерфейсов.

В четвертом параграфе анализируются преимущества и недостатки исследованных методов анализа состояния растительности с использованием спутниковых данных.

4.1 Методы выявления отклонений хода развития растительности от

"нормального" состояния

Основное назначение любой системы мониторинга это следить за состоянием объекта мониторинга и за его изменением. Под мониторингом понимают непрерывный процесс сбора и анализа информации о значении диагностических параметров состояния объекта.

Для контроля состояния объекта могут использоваться различные методы, от ручного визуального дешифрирования, до полностью автоматических процедур. В любом случае, когда проводится анализ состояния объекта, рассматривается его текущее состояние в сравнении с «нормальным» состоянием. Под «нормальным» подразумевается некоторое среднее (обычное) состояние в котором находятся объекты на заданной территории. Т.е., «нормой» можно считать некое усредненное состояние растительности, характерное для заданной территории, из которого исключены аномальные отклонения.

Кроме того в качестве нормы может быть выбран ход развития растительности в некоторый «год-аналог», который по различным параметрам (в первую очередь метеорологическим) похож на сезон в для которого анализируется состояние растительности.

В качестве "нормы" для конкретного объекта могут быть выбраны временные ряды, которые соответствуют развитию растительности в административном районе, где находится объект мониторинга. При этом для конкретного объекта может быть выбрана "норма" исходя из того типа растительности (посевов), которые наблюдаются на нем в сезон мониторинга (например, озимые или яровые культуры). В сервисе «ВЕГА» существуют 3 типа "норм" рассчитанных для административных районов Российской федерации, которые соответствуют:

• среднемноголетнему поведению сельскохозяйственной растительности на обрабатываемых землях в районе;

• среднемноголетнему поведению озимых культур районе;

• среднемноголетнему поведению яровых культур районе.

При расчете средних многолетних необходимо проводить фильтрацию данных, так как бывают аномальные года, когда развитие растительности претерпевает значительные изменения. Производить такую фильтрацию можно несколькими способами. Имея априорное знание об аномальных годах, их можно просто исключить из расчетов задав соответствующие параметры. С другой стороны, этот процесс можно производить автоматически, при наличии достаточного количества многолетних наблюдений. При наличии достаточного количества данных можно фильтровать выбросы данных, используя среднеквадратичное отклонение или другими методы статистического анализа.

После того, как для объекта мониторинга выбрана норма, можно осуществлять контроль изменений в развитие растительности относительно нормы. Для этого используется временной ряд ВИ в текущем сезоне и смотрится его отклонение он нормы. В качестве параметров, которые контролируются, могут быть не только ВИ, а также метеорологические данные или какие-то другие параметры.

По мере поступления данных система будет анализировать местоположения новой точки относительно временного ряда нормы, и формировать данные об отклонениях от нормы. Отклонение от нормы может вычисляться как для отдельного объекта (например, поля), как и для группы объектов (например, для всех полей занятых озимыми в конкретном районе)

Следует отметить, что один из самых сложных моментов при осуществлении автоматического выявления аномалий в развитие растительности это задание нормы. При проведение мониторинга состояния сельскохозяйственной растительности, как уже отмечалось, существует несколько уровней объектов за которыми обычно осуществляется наблюдение. Задание для каждого уровня нормы имеет свои особенности. Условно можно выделить следующие уровни:

• Федеральный уровень, который рассчитан на обеспечение задач контроля сельскохозяйственной деятельности в масштабах страны. На этом уровне объектами мониторинга являются регионы (субъекты) РФ.

• Региональный уровень, который рассчитан на обеспечение задач контроля и планирования сельскохозяйственной деятельности в отдельных регионах. На этом уровне объектами мониторинга являются районы РФ.

• Локальный уровень, который рассчитан на обеспечение задач ведения оперативной сельскохозяйственной деятельности в отдельных хозяйствах. На этом уровне объектами мониторинга являются различные хозяйства, как крупные, имеющие сотни тысяч полей, так и мелкие хозяйства или даже отдельные поля.

Федеральный и региональный уровни достаточно похожи. Формально, наименьшей единицей административного деления на уровне страны являются районы. Переход на федеральный уровень осуществляется интегрированием информации по районам, которые входят в тот или иной регион. Так что с точки зрения системы мониторинга это сводится к мониторингу районов. В РФ порядка 3000 районов и задание года аналога для каждого района в каждом сезоне является задачей трудоемкой, поэтому использование средне межгодовой нормы является наиболее приемлемым. Как уже отмечалось выше, в сервисе «ВЕГА» сформированы "нормы" для групп озимых и яровых культур для всех районов России. Данные нормы представляют собой усредненный за более чем 10 летний период наблюдения еженедельный ход >ГОУ1. Наличие данных норм позволяет автоматически диагностировать отклонения в ходе развития озимых и яровых культур от "нормы", путем вычисления разницы между текущим значением Ж)VI для конкретного района и значением нормы. Для этого используется временной ряд ВИ в текущем сезоне и смотрится его отклонение от нормы. Величина

отклонения Л от нормы является относительной и рассчитывается в процентах,

А =

(N701 -N071 ) * 100

V текущее нормы/

N071

нормы

«положительные» отклонения соответствуют лучшему состоянию растительности, а «отрицательные» - плохому состоянию растительности.

Для отображения отклонений на карте было предложено использование картограмм, где область объекта мониторинга закрашивается соответствующим цветом. Были выбраны следующие границы интервалов: '-30%', '-10%', '10%', '30%'. Анализ отклонений данным методом был положен в основу различных информационных продуктов, предоставляемых спутниковым сервисом «ВЕГА».

Наличие такой информации позволяет, частности, автоматически формировать информационные бюллетени для различных регионов России (см. пример на рисунке 4.1).

ОПЕРАТИВНЫЙ МОИИТОИШГ ПОСЕВОВ СГТЪСХОХОЗЛЙСТВИВК? КУЛЬТУР ПО СПУТНИКОВЫМ ДАННЫМ

ОПЕРАТИВНЫЙ ЧЮНИТОРИНГ ПОСЕВОВ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР ПО СПУТНИКОВЫМ ДАННЫМ

- -эн ~ « 1

I ^

Соат^нЬЛР« Г— [

г-^тмп« 14« 1 ^ 1 ^

Тгааавкщкр*«».-* 1-4 У4-

к

•нжвл,¿швокгт

♦»гжяЛЛчЧ Р50) 1

1 ^—

г4- 1-4

акятгКжмиид»»«»«!—тгМкмДц» тшжгл и Л Та

«;лл ПЧГМш Г^яшп из? Тв(»«|Ш-1».~

Рис.4.1. Пример Бюллетеня «Оперативный мониторинг состояния посевов»

Для анализа состояния растительности на конкретном поле можно также использовать нормы для региона, однако следует иметь ввиду, что эти нормы не учитывают особенности, которые могут иметься у конкретного поля. Поэтому в сервисе «ВЕГА» для конкретного поля имеется возможность установить год аналог (год в котором на поле выращивалась и нормально развивалась та же культура что и в год, в который проводится мониторинг). К сожалению, в настоящее время установка такой нормы в полностью автоматическом режиме не

возможно, поэтому на сервисе «ВЕГА» реализованы инструменты, позволяющие выполнить эту установку в интерактивном режиме.

4.2 Исследование возможности оценки урожайности по году аналогу, алгоритмы автоматического выбора года аналога

Одной из наиболее актуальных и не до конца решенных задач мониторинга с/х культур в настоящее время является оценка их урожайности. Такая оценка выполняться с использованием различной информации, в частности, на основе поиска закономерностей в поведение профилей вегетационных индексов в течение различных сезонов (этому вопросу посвящено достаточно много работ [79], [80], [81], [82], [83], [84]. Одним из достаточно часто используемых при этом методов, является метод выбора года аналога. В рамках настоящей работы с использованием данных созданного сервиса «ВЕГА» была проведена проверка работоспособности данного метода.

Метод года аналога основывается на сравнении динамики состояния растительности в различные годы и поиске года, развитие растительности в котором, приближенно к исследуемому году. Основными задачами такого метода является:

• анализ условий развития сельскохозяйственной растительности в различных регионах в текущем году;

• анализ исторических данных для выбора года аналога;

• предоставление оценок по ожидаемой урожайности с использованием данных об урожайности различных культур, которые наблюдались в годе аналоге.

Для использования метода года аналога необходимо иметь набор данных по одной территории за как можно больший промежуток времени и соответствующий ему набор статистических данных для той же территории. В качестве статистических данных на сервисе «ВЕГА» используются данные об

урожайности культур в разрезе субъектов РФ и их районов, получаемые из официальной статистики.

Выбор года-аналога осуществляется на основе анализа характеристик, отражающих состояние и динамику растительности на наблюдаемых территориях. Одной из наиболее часто используемых характеристик состояния растительности, получаемых на основе данных спутниковых наблюдений, является нормализованный вегетационный индекс

Данные официальной статистики, использующиеся при анализе и оценке урожайности, получаются по субъектам РФ и административным районам, поэтому анализ поведения вегетационного индекса для выбора года аналога, также проводится на основе данных, усредненных по этим территориям. Усредненное значения вегетационного индекса по региону является

интегральной характеристикой, анализ динамки которой позволяет оценивать состояние и развитие сельскохозяйственных культур данного региона.

Выбор года аналога осуществляется на основе совместного анализа хода наколенных усредненных по разным регионам и типам растительности данных. Совместный анализ данных для различных типов территорий (см., например, на рисунке 4.2) позволяет выбрать год, в котором ход индекса наиболее

близко соответствует анализируемому (текущему) году.

Я С £

5 й ё § £

1111111 I I I I I I I I * I I I 1 I

I I I

Г ^

Ь с

□ 2001 ■ 2002 ■ 2003 ■ 2004 О 2005 ■ 2006 В 2007

Рис.4.2. Пример сравнительного хода индекса N0X^1 (только пахотные земли) за разные года для Ростовской области (текущий сезон-2007г)

Однако, понятие «наиболее близко» отнюдь не означает полное геометрическое подобие, так как для анализа развития растительности главной может являться только какая-то часть ряда, а не весь ряд, например, только часть, где происходит активный рост растительности и, соответственно, МЭУ1 нарастает. Поэтому, для выбора года аналога могут быть предложены различные методы.

Задача установки года аналога, а не среднего межгодового, для всех регионов является задачей непростой и трудоемкой. В разных регионах, в зависимости от их географического расположения, ход индекса Ж)У1 ведет себя по-разному и может быть более выраженным или менее выраженным за счет разного динамического диапазона изменения индекса Ж)У1, что в свою очередь связано с особенностями климата и почв в регионе. Использования маски различных типов земель позволяет облегчить эту задачу, за счет того, что из фоновой растительности, такой как лес и дикая растительность, выделяются только земли занятые сельскохозяйственными культурами. Это увеличивает динамический диапазон изменения индекса №)У1 и делает его ход более выраженным, что облегчает дальнейший анализ.

Выбор года аналога может осуществляться двумя способами:

• интерактивный анализ (экспертный);

• автоматический выбор.

Интерактивный анализ предусматривает непосредственное участие пользователя в процессе анализа и выбора года аналога. Пользователь, имея перед собой совмещенные графики хода М)У1 за различные года, проводит визуальный анализ и выставляет год аналог. Из-за этого задача выбора года аналога для всех регионов и районов РФ является довольно трудоемкой и требует много времени. Кроме того, пользователь выбирает тот или иной года аналог, основываясь на своих предположениях и выводах, и тем самым его решение является субъективным, что может являться источником ошибки. В связи с этим, автоматический способ выбора года налога будет более предпочтителен.

Автоматический выбор года аналога предполагает полное отсутствие или минимальное вмешательство пользователя в ход выбора года аналога. Для того чтобы было возможно использовать автоматический анализ, исходные ряды данных необходимо дополнительно подготовить. Кроме восстановления потерянных данных, также, необходимо совмещение графиков за различные года, так как начало развития растительности происходит в разное время, что обусловлено различием метеорологических условий, пример на рисунке 4.3.

Рис.4.3. Пример подготовки данных за разные года для Ростовской области.

Слева - исходные ряды данных, справа - подготовленные и совмещенные ряды данных

(опорные год - 2008).

Для того чтобы автоматически определить год аналог, необходимо выбрать метод, который бы с приемлемой точностью выбирал бы год аналог. Выбор такого одного метода является сложной задачей и возможно, что для всех регионов единого метода не существует и необходимо использовать разные методы в зависимости от региональных особенностей. В качестве методов выбора года аналога применятся следующие методы:

Метод невязки. Все кривые за разные года "выравниваются по

времени" по текущему сезону. Кривые сдвигаются друг относительно друга по времени и при каждом сдвиге считается невязка (сумма квадратов разностей значений в отдельных точках). Сдвиг, при котором "невязка" будет минимальной, берется как сдвиг для выравнивания. У "выровненных" кривых анализируется невязка с текущим годом (за тот период, когда есть данные в текущем году). Год, для которого "невязка" будет минимальной и считается годом аналогом.

Метод вегетационного сезона. В данном методе основным критерием является длина вегетационного периода. Для каждого года находится начало и конец вегетационного периода и вычисляется его длина в днях. После этого считается разница длин вегетационного сезона относительно текущего сезона и таким образом находится год аналог. Данный метод применим только в конце сезона.

Метод периода роста. В данном методе основным критерием является период роста. Для каждого года находятся начало вегетационного периода и точка максимума NDVI, период между началом сезона и максимумом NDVI считается периодом роста. После этого считается разница периодов роста для всех годов относительно текущего сезона и таким образом находится год аналог.

Метод максимума NDVI. В данном методе для каждого года находится точка максимума NDVI в течение вегетационного сезона. После того, как рассчитаны все точки максимумов, считается разница относительно текущего сезона и, таким образом, находится год, у которого максимум NDVI близок к максимуму текущего сезона, он и выставляется как года аналог.

r—ч

/ - "'У""

/

iiiiiilili 1 1 1 1 1 1 1 í í i Я s 1 ¡ s - i 1 I 1 i i § s I ! ¡ 1 i i Itílí í íiífíííí а-яЗйЗякавгаьк

Рис. 4.4. Параметры для поиска года аналога, максимум, длина сезона, период роста

Значения годов аналогов, рассчитанные всеми методами, как правило, могут не совпадать. Поэтому выбор одного метода для выбора года аналога является непростой задачей и требует дальнейшего анализа.

Исследование автоматического выбора года-аналога для пахотных земель 69 субъектов РФ была проведена на примере сезона 2008 года. Для всех регионов на

основе вышеназванных автоматизированных методов были успешно определены годы-аналоги поведения Ж)VI. Анализ полученных результатов показал:

• Использование разных методов приводит к определению разных годов-аналогов для одного субъекта РФ. В 48 субъектах два автоматических метода из четырех дают одинаковый результат, а в оставшихся 21 субъектах каждый метод дает отличающийся от других методов результат. Нет ни одного субъекта, где все методы или хотя бы три из четырех давали бы одинаковый результат. Это свидетельствует о том, что каждый метод характеризует свою особенную специфику поведения NDVI, которая не анализируется другими методами, что может быть полезным при выборе наиболее оптимального метода для определения года-аналога для оценки урожайности конкретной культуры в конкретном регионе.

• Данные анализа свидетельствуют о том, что наиболее близкие к экспертному методу результаты дают автоматические методы, основанные на анализе сезонного максимума и невязки. Но совпадение года-аналога, определенного этими методами и года-аналога по экспертной оценке наблюдается лишь в 15-16 регионах из 69. Это также свидетельствует о том, что каждый метод характеризует свою особенную специфику поведения NDVI, что может быть полезным при выборе наиболее оптимального метода для определения года-аналога для оценки урожайности конкретной культуры в конкретном регионе.

• Методы по длине периода активного накопления наземной биомассы и по сезонному максимуму NDVI позволяют делать оценку урожайности в середине сезона вегетации, а методы по невязке и по длине вегетационного периода — только после окончания сезона вегетации, что существенно снижает их практическую значимость.

Каждый из методов позволяет оценивать урожайность отдельных культур в среднем в 10-20 регионов из 69. Количество регионов, где метод дает максимальное сходство с фактической урожайностью, несколько выше у метода,

основанного на анализе сезонного максимума, и ниже чем у остальных у метода, основанного на анализе длины вегетационного периода.

Превосходство одного метода над другим при оценке урожайности отдельных культур выявляется, но также достаточно слабо. Так, например, в наибольшем количестве регионов урожайность озимого ячменя и сахарной свеклы лучше всего оценивается по методу определения года-аналога, основанному на анализе длины периода роста, а урожайность яровой пшеницы, ярового ячменя, подсолнечника, гороха, риса и проса - по методу, основанному на анализе сезонного максимума NDVI.

В таблице 4.1 представлены результаты анализа эффективности разных методов и отдельных культур. Результаты анализа показывают, что эффективность каждого метода сильно варьирует от специфики фенологии выращиваемых сельскохозяйственных растений.

Таблица 4.1

Количество регионов, для которых предсказание урожайности по году-аналогу, определенному разными методами, совпало с фактической урожайностью (на примере урожайности 2008 года)

Метод определения года-аналога Озимая пшеница Яровая пшеница Озимый ячмень Яровой ячмень Озимая рожь картофель Многолетние травы Однолетние травы подсолнечник к о и Сахарная свекла лен горох рис гречиха просо Кукуруза на зерно

невязка

7 9 14 12 13 15 20 17 13 17 13 19 12 13 16 16 5

длина вегетационного

периода 14 10 21 8 13 8 11 9 5 13 0 0 14 0 14 16 14

длина периода роста

15 9 29 8 15 15 5 12 13 13 29 5 7 13 6 11 10

величина сезонного

максимума 15 22 14 23 10 11 17 12 24 13 21 14 26 38 18 24 5

экспертный

неавтоматический

метод 12 18 21 11 13 12 26 5 11 3 21 10 7 13 16 14 5

Анализ различных методов автоматического выбора года аналога показывает, что в настоящее время результаты могут использоваться скорее как справочные, при проведении аналитических оценок, а не для оценок урожайности в полностью автоматическом режиме.

В тоже время в сочетание с интерактивным способом выбора годов аналогов могут быть получены достаточно значимые результаты оценки урожайности. Так, например, проведенный на основе выбора годов аналогов, анализ оценки урожайности 2006 года показал достаточно хорошую корреляцию результатов с данными официальных данных статистики сбора урожая. Ошибки оценки урожайности были в среднем менее 20%, и зависели от конкретных возделываемых культур. Например, для зерновых и зернобобовых, а также пшеницы ошибки были в среднем менее 15%, для других культур - немного выше. Основные результаты представлены в таблице 4.2.

Таблица 4.2

Ошибки оценки урожайности по основным сельскохозяйственным регионам _России в 2006 году по году-аналогу

Регион зерновые и зорнобобопмо пшеница картофель кукуруза сахарная свекла овощи

% "о % % % %

Астраханская область 2.10 31.87 7.95 25.00

Белгородская область 0.40 1.46 39.39 24.98 40.94 10.02 9.80

Брянская область 5.03 0.53 38.16 41.62 22.68

Волгоградская область 1.12 0.92 2.04 45.87 79.25 25.00 15.54

Воронежская область 0.50 11.11 11.50 31.58 16.67 20.59 44.71

Кабардино-Балкарская Республика 59.29 29.41 46.34 60.00 92.62 32.59

Калужская область 13.04 22.41 40.09 27.21

Карачаево-Черкесская Республика 29.46 24.46 8.11 25.88 37.10 15.18

Краснодарский край 4.98 0.43 18.37 36.15 15.07 9.39 6.54

Курская область 6.38 5.26 40.00 20.91 32.73 27.86 23.57

Липецкая область 10.54 8.13 28.06 17.78 55.20 16.58 24.00

Оренбургская область 5.88 18.60 9.59 23.87 33.64 96.20

Орловская область 4.38 22.58 20.00 30.85 39.82 9.55

Пензенская область 19.54 18.92 23.08 0.00 16.76

Республика Адыгея 2.23 5.69 23.98 4.00 85.19 34.29

Республика Дагестан 3.26 1.69 16.88 34.67 23.33 47.02

Республика Ингушетия 6.83 50.62 53.13 8.00 18.46

Республика Калмыкия 9.55 7.08 2.56

Республика Мордовия 22.45 29.10 87.50 13.04 23.28 17.46

Республика Северная Осетия 27.45 25.00 25.00 20.50 20.55

Ростовская область 3.70 3.85 9.68 56.32 12.68 15.04 4.44

Рязанская область 2.04 25.93 25.00 37.96 33.77 13.02

Самарская область 11.11 1.56 6.98 51.92 25.27 29.27 37.05

Саратовская область 1.45 4.46 8.43 12.86 14.46 9.09 5.81

Ставропольский край 0.59 3.64 8.11 1.82 5.01 10.28 8.15

Тамбовская область 4.35 11.20 26.61 25.36 26.82 19.93

Тульская область 9.00 8.71 46.34 45.76 35.23 5.22

Ульяновская область 13.79 10.99 345 42.99 23.05 50.00

Чеченская Республика 24.05 28.57 16.67 94.03 18.79

СРЕДНЕЕ: 10.50 14.28 23.34 29.05 35.56 25.42 25.21

Одним из факторов, влияющих на точность оценки, является площадь возделываемых земель. Чем меньше площади занимаемая культурами, тем больше становится ошибка оценки.

Результаты апробации подхода показали, что для повышения эффективности выбора метода поиска года-аналога для оценки урожайности, разработанные подходы должны развиваться в следующих направлениях:

• Для конкретного региона и для конкретной культуры наиболее эффективными будут разные подходы к определению года-аналога. Следовательно, необходимо двигаться по пути расширения списка автоматизированных методов к определению года-аналога и для каждого субъекта РФ и каждой культуры в его пределах - выбирать (устанавливать) наиболее информативный автоматический метод к определению года-аналога.

• В настоящий момент методы позволяют определять год-аналог (и соответственно, оценивать ожидаемую урожайность) в лучшем случае в середине сезона вегетации. Для увеличения заблаговременности оценок и одновременно для получения дополнительных индикаторов урожайности можно модифицировать метод по невязке следующим образом: определять год-аналог по невязкам, накопленным не за весь сезон вегетации, а с начала сезона до таких фиксированных дат, как 15 мая, 1 июня, 15 июня, 1 июля, 15 июля, 1 августа, 15 августа, 1 сентября и 15 сентября. Таким образом, год-аналог будет определяться много раз за сезон, что важно для оценки урожайности конкретной культуры в конкретном регионе (для одной культуры в одном регионе оптимально учесть год-аналог например до 15 июля и не имеет смысла это делать до 15 сентября, а для другого региона и другой культуры — наоборот и т.п.).

4.3 Исследование возможности оценки урожайности на основе построения

корреляционных зависимостей между статистическими данными и

вегетационными индексами

Одним из методов, который также широко используется для оценки урожайности - является метод построения и анализа корреляционных зависимостей [85], [86], [87], [88].

Для оценки урожайности был разработан метод, основанный на построении линейных парных регрессий между значениями урожайности за прошлые годы и различными характеристиками-предикторами.

Для проверки корреляции рассчитываются коэффициенты корреляции г,

ихиу п ;=1 <=1 /=1

ТГ „ СГ и

где Кху - корреляционный момент, а * и у - соответственно дисперсии анализируемых параметров х и у. Если коэффициент корреляции достаточно большой (0.7-1.0), то рассчитываются коэффициенты линейной регрессии.

Мы предполагаем, что зависимость урожайности У от предиктора X имеет вид У=а*Х+Ь, то есть зависимость между У и X описывается линейно. Мы не можем узнать точные значения а и Ь, но имея ряд парных значений У и X: (ХьУх), (Х2,У2)...(ХП,УП) можно вычислить их приближенно на основании имеющихся данных. Для вычисления переменных а и Ь используется метод наименьших квадратов [89].

Этот метод позволяет оценивать урожайность на уровне субъектов РФ. Для предсказания урожайности для каждого региона России строились регрессии значений урожайности (данные Федеральной службы государственной статистики) за прошлые годы с различными предикторами, получаемыми на основе спутниковых данных.

Естественно, что в качестве предикторов могут использоваться совершенно различные характеристики. В настоящей работе использовались предикторы, которые получаются на основе вегетационного индекса Ж)VI, рассчитанного по

данным приборов MODIS (спутники Terra и Aqua), также использовались климатические данные о температуре и осадках.

По этим данным строились различные варианты характеристик — предикторов. Наиболее результативными оказались:

• сезонный максимум NDVI, осредненный по пахотным землям, непахотным землям, лесопокрытой территории, и полям с озимыми культурами.

• значения NDVI за каждую неделю, осредненные по пахотным землям, непахотным землям, лесопокрытой территории, и полям с озимыми культурами.

• различные климатические параметры, такие как средняя температура воздуха за октябрь - ноябрь предыдущего года, средняя температура за март - апрель, абсолютный минимум температур в мае, сумма осадков за период август — сентябрь.

Используя значения этих предикторов за текущий год и уравнение парной линейной регрессии, построенное по значениям этого предиктора за прошлые годы, предсказывается значение урожайности озимой пшеницы в текущем сезоне. Из множества всех построенных регрессий для предсказания урожайности выбирались наиболее качественные регрессии. Критерием качества являлся квадрат корреляции между значениями предиктора и урожайности за прошлые годы. Все регрессии, для которых этот показатель меньше 0,8 отсеивались.

По данным предикторам почти в каждом регионе России удалось построить приемлемые уравнения регрессии, по которым в дальнейшем можно предсказать урожайность в данном регионе. Для регионов, где не удалось построить приемлемое уравнение парной регрессии, были построены множественные регрессии с использованием тех же предикторов.

В таблице 4.3 приведен пример использования приемлемых регрессий, в которых показаны данные об урожайности по официальной статистике в сравнении со значениями урожайности, полученными с помощью построенной регрессии. Для каждого региона была составлена таблица, в которой описано,

насколько качественную регрессию удалось построить для каждого момента времени (таблица 4.4). В соответствии с этой таблицей, для каждого региона в определенный момент времени можно сделать предсказание с некоторой точностью, а затем, по ходу вегетационного сезона, постепенно улучшать его. Полученные данные показали, что качественная оценка урожайности может быть построена для некоторых областей России еще в предзимний период развития озимой пшеницы, то есть с очень высокой заблаговременностью (рис.4.5).

Таблица 4.3

Сравнение оценок урожайности, полученных по методу регрессионного анализа с данными официальной статистики (республика Ингушетия, предиктор «значение М)У1 по данным

МСЮК за 13 неделю года»)

Года I 2002 штъ 2004 /201)5 шшш шт ШШ:

Данные официальной статистики ц/га 8,4 3,8 14,1 13,8 13,3 12,1 15,5

Прогноз по регрессии ц/га 9,6 4Д 13,5 - 12,1 11,0 16,6

Таблица 4.4

Возможная дата построения регрессии для разных регионов

и соответствующее значение Я

| £=: ю о твш^ и о § и о - о в ч ю о § й шШк с. о £ »о о и ^шЩшШ^тк С. шЖШ&Щят П К 1С с 0 1 §

начало октября пропьют года - 0.846449 - -

, середина февраля _ - - 0.844011

, конец апреля - - 0.890703

начало мая - - 0.841955 -

начало нюня 0.860171 - 0.863245 -

середина июня 0.952000 0.865686 0.896202 0.925791

середин л июля - - 0.949091 -