Содержание к диссертации
Введение
1. Растениеводство Краснодарского края 9
1.1. Обзор растениеводства Краснодарского края: территориальный аспект 9
1.2. Типология административных образований Краснодарского края по показателям развития сельского хозяйства 21
1.3. Структура растениеводства в тестовых районах 30
2. Технология дистанционного зондирования в аспекте мониторинга сельскохозяйственных посевов 53
2.1. Спутники, используемые в целях мониторинга сельскохозяйственных земель и посевов 53
2.2 Вегетационные индексы. Понятие и особенности расчета 58
2.3. Мировой опыт 62
3. Пространственная оценка состояния сельскохозяйственных посевов 74
3.1. Практическое применение индекса NDVI в растениеводстве 74
3.2 Метод оценки локальной неравномерности распределения сельскохозяйственных посевов по данным вегетационного индекса 78
3.3. Результаты расчета локальной неравномерности 97
3.4. Применение нечеткой классификации для оценки состояния посевов 101
4. Использование спутниковых снимков для распознавания сельскохозяйственных культур в Краснодарском крае 109
4.1. Метод пороговых значений индекса NDVI 109
4.2. Метод классификации с обучением 119
5. Web-картографический ресурс для анализа АПК Краснодарского края 123
5.1. Обзор технических средств информационных систем социально-экономического мониторинга 123
5.2. Разработка картографического web-приложения 128
Заключение 140
Библиография
- Типология административных образований Краснодарского края по показателям развития сельского хозяйства
- Вегетационные индексы. Понятие и особенности расчета
- Метод оценки локальной неравномерности распределения сельскохозяйственных посевов по данным вегетационного индекса
- Разработка картографического web-приложения
Введение к работе
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 культур 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 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 ресурсов 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 посевов региона. В практическом аспекте актуальность работы связана с достижением нового уровня информационного обеспечения растениеводства, базирующегося на материалах дистанционного зондирования Земли и 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:
-
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.
-
Разработать метод автоматизированной ранговой оценки полей по признаку локальной (не)равномерности распределения фитомассы с использованием вегетационного индекса по данным спутниковых снимков на дату съемки.
-
Разработать метод расчета площади неблагоприятных участков сельскохозяйственных посевов на основе приемов нечеткой классификации.
-
Разработать и проанализировать эффективность предложенных способов распознавания различных сельскохозяйственных культур по данным спутниковых снимков.
-
Создать картографическое web-приложение для отображения показателей сельского хозяйства Краснодарского края.
В качестве исходных данных настоящего исследования использованы снимки коммерческих микроспутников RapidEye для удаленного мультиспектрального 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 (А.С. 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, В.А. Толпина, В.Н. Антонова и др.), распознаванию вида сельскохозяйственных культур по спутниковым данным (A.J.W. De Wit, M. Turker, C. Conrad, С. Кохан, С.А. Барталев), нечеткой классификации (A.B. McBratney, J.C. Bezdek, J.J. DeGruijter, А.В. 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 ArcInfo, 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.
-
Обоснована и реализована методика автоматизированной ранговой оценки состояния сельскохозяйственных полей по показателям локальной (не)равномерности посевов.
-
Разработана методика количественной оценка состояния посевов, опирающаяся на использование методов нечеткой классификации и позволяющая выделять дефектные участки на полях с расчетом их площади.
-
Предложены методы идентификации сельскохозяйственных культур (метод пороговых значений индекса NDVI и метод классификации с обучением).
-
Исследована сезонная динамика индекса NDVI для различных сельскохозяйственных культур, полей под паром, а также озимых и яровых культур.
-
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:
-
Метод автоматизированной ранговой оценки полей по признаку локальной (не)равномерности распределения фитомассы с использованием индекса NDVI по данным спутниковых снимков.
-
Метод расчета площади дефектных участков сельскохозяйственных посевов, основанный на нечёткой классификации.
-
Результаты оценки локальной (не)равномерности сельскохозяйственных посевов в границах полей для тестовых районов края (Абинский, Крымский, Северский, Славянский, Староминской, Тимашевский).
-
Установленные закономерности сезонной динамики индекса NDVI для различных культур, полей под паром, а также озимых и яровых культур.
-
Результаты распознавания различных сельскохозяйственных культур по данным спутниковых снимков.
-
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 «Vda 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 наименования.
.
Типология административных образований Краснодарского края по показателям развития сельского хозяйства
Ландшафтно-земельные условия региона можно охарактеризовать, опираясь на распространенную европейскую номенклатуру земель CORINE. 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 1:100 000), 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 Landsat 5 ТМ и кадастровые данные.
Карта земель разного хозяйственного назначения Краснодарского края (по номенклатуре CORINE) На рисунке 1.2 представлена построенная нами карта земель по обобщённой номенклатуре CORINE. 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%).
Согласно (Сельское..., 2010) по абсолютным объемам продукции растениеводства в крае лидируют Каневской (6278 млн. руб.), Кущевский (5012 млн. руб.), Новокубанский (4957 млн. руб.), Выселковский (4638 млн. руб.) и Павловский (4625 млн. руб.) районы. По объемам продукции животноводства выделяются Каневской (3323 млн. руб.), Выселковский (2879 млн. руб.), Новокубанский (2561 млн. руб.), Красноармейский (2425 млн. руб.) и Гулькевичский (2414 млн. руб.) районы.
Общая посевная площадь Краснодарского края составляет 3657,5 тыс. га, что составляет 76% от площади категории сельскохозяйственных земель, посчитанной на основе карты земель по номенклатуре программы CORJNE. При этом по занимаемой площади доминируют зерновые и зернобобовые культуры (2195,8 тыс. га), вслед за которыми располагаются технические (809,1 тыс. га) и кормовые культуры (520,3 тыс. га) (рис. 1.4).
Все зерновые культуры, выращиваемые в Краснодарском крае, можно условно разделить на три группы: 1) озимые (озимая пшеница, озимый ячмень, озимая рожь), 2) ранние яровые (яровая пшеница, яровой ячмень, овес), 3) поздние яровые (кукуруза, рис, сорго и просо) (Тюрин, 2002). На озимую пшеницу, основную возделываемую культуру в крае, приходится 60% посевной площади всех зерновых культур (рис. 1.5) или 35% всей посевной площади края. Валовой сбор культуры - 5928,1 тыс. т, что составляет 62% валового сбора всех зерновых культур (рис. 1.6, рис. 1.8). На кукурузу приходится 20% посевной площади зерновых культур (рис. 1.5) или 15% всей посевной площади края. Валовой сбор культуры равен 1439,4 тыс. т или 15% валового сбора всех зерновых культур (рис. 1.6). 1%
По величине посевной площади озимого ячменя Краснодарский край занимает первое место в России (Экономическая..., 2011). Культура занимает 11% от посевной площади всех зерновых культур (рис. 1.5), 6% от всей посевной площади края. Валовой сбор культуры - 1079,9 тыс. т (11% от валового сбора всех зерновых культур, 5% от всех культур) (рис. 1.6).
Важное место в структуре растениеводства занимает рис - 5% посевной площади всех зерновых культур (рис. 1.5) и 1% всей посевной площади края. Валовой сбор культуры равен 727,1 тыс. т (7% от валового сбора всех зерновых культур, 5% от всех культур) (рис. 1.6).
Наибольшие посевные площади зерновых культур сосредоточены в Каневском (148,1 тыс. га), Кущевском (137,1 тыс. га), Выселковском (114, 1 тыс. га), Новокубанском (113,9 тыс. га) и Павловском (113,2 тыс. га) районах. Вместе с тем, продуктивность земледелия по ряду обстоятельств заметно различается внутри края. Следует отметить, что наибольшая средняя урожайность зерновых культур по данным (Сельское..., 2010) отмечена в Красноармейском (56,8 ц/га), Усть-Лабинском (53,9 ц/га), Выселковском (53,3 ц/га), Новокубанском (50,8 ц/га) и Абинском (49,9 ц/га) районах. Наименьшая средняя урожайность зафиксирована в Апшеронском (20,3 ц/га), Туапсинском (20,4 ц/га), Новопокровском (28,7 ц/га) районах.
Перечень технических культур, выращиваемых в Краснодарском крае, достаточно обширен: масличные культуры (подсолнечник, соя, рапс), сахарная свекла, лен-кудряш, конопля, клещевина, табак и др. Подсолнечник - основная возделываемая техническая культура. Природные условия края способствуют вызреванию даже самых позднеспелых высокомасличных сортов подсолнечника. Его посевы занимают 551,1 тыс. га, что составляет 69% посевной площади всех технических культур (рис. 1.7) и 6% всей посевной площади края. Величина валового сбора культуры - 1149,5 тыс. т (рис. 1.6, рис. 1.9). Наибольшая урожайность культуры - в Усть-Лабинском (28,7 ц/га), Калининском (28,6 ц/га), Выселковском (27,8 ц/га), Курганинском (27,4 ц/га) и Новокубанском (27,4 ц/га) районах.
Вегетационные индексы. Понятие и особенности расчета
Активное развитие космических технологий в последние десятилетия и вовлечение их в практику дистанционного слежения позволили существенно расширить возможности мониторинга земель сельскохозяйственного назначения и сельскохозяйственных посевов. Мониторинг сельскохозяйственных земель включает в себя систематические наблюдения за состоянием и использованием полей севооборотов, сельскохозяйственных полигонов и контуров, а также параметрами плодородия почв и развитием процессов их деградации; изменением состояния растительного покрова на пашне, залежах, сенокосных и пастбищных угодьях, изменением типов и качества растительности, а также степени устойчивости земель к антропогенным нагрузкам (http://www.mcx.ru). При проведении мониторинга решается внушительный круг задач, среди которых - своевременное выявление изменений состояния сельскохозяйственных земель, оценка этих изменений, прогноз и выработка рекомендаций по повышению их плодородия, предупреждению и устранению последствий негативных процессов; определение видов растительности; оценка состояния растительности сельскохозяйственных угодий, прогнозирование развития сельскохозяйственных культур и величины 53отенции-ального урожая.
Понятно, что реализация спутниковых технологий требует не только организации самих съемок и дистанционных измерений, но и разработанных методик дешифрирования спутниковых материалов, т.е. квалифицированного извлечения полезной информации.
Первая спутниковая фотография была сделана в 1959 г. спутником Explorer 6 (США). В начале 1970-х годов запущена программа по получению космических снимков Landsat, функционирующая доныне. На данный момент существует / большое количество различных спутников, оборудованных съемочной аппаратурой. Рассмотрим основные спутниковые системы, данные которых используются для расчета вегетационных индексов (табл.2.1).
Спутники серии NOAA (National Oceanic and Atmospheric Administration, США) запущены в 1970 г. и функционируют под руководством агентства NASA. Находятся на орбите высотой 11-12 км. Для проведения съемки установлен ска нирующий радиометр AVHRR (Advanced Very High Resolution Radiometer). Изна чально AVHRR проводил съемку в 4 каналах, на данный момент съемка прово дится в 6 каналах. Пространственное разрешение невысокое - 1100 м, ширина по лосы обзора - 3000 км. Период съемки - 101 мин. Для расчета индекса NDVI ис пользуются 1-й и 2-й каналы камеры, длины волн которых составляют 0,58-0,68 мкм и 0,72-1,0 мкм соответственно (http://noaasis.noaa.gov/NOAASIS/ml/avhrr.html). Спутники Terra (EOS АМ-1) запущены в 1999 г., функционируют под руководством агентства NASA. Высота орбиты 705 км; период съемки - 1-2 дня. Съемка проводится при помощи спектрорадиометра MODIS (Moderate Resolution Imaging Spectroradiometer) в 36 каналах с длиной волны от 0,4 мкм до 14,4 мкм. 1-й и 2-й канал обладают пространственным разрешением 250 м, каналы с 3 по 4 55
500 м, каналы с 8 по 36 - 1000 м. Ширина полосы обзора равна 2300 км. Для расчета индекса NDVI используются 1-й и 2-й каналы камеры, длины волн которых составляют 0,62-0,67 мкм и 0,841-0,876 мкм соответственно (http://modis.gsfc.nasa.gov).
Спутники Landsat впервые запущены в 1972 г. (агентство NASA). Разработчик - Lockheed Martin (США). Находятся на орбите высотой 705 км. Landsat 5, запущенный в 1984 г., оборудован двумя сканерами MSS (Multispectral Scanner) и ТМ (Thematic Mapper). Для получения данных в инфракрасной и ближних инфракрасной зонах используется сканер ТМ, производящий съемку в 7 каналах. Ширина полосы обзора - 185 км. Период съемки - 16 дней. В 1999 г. запущен спутник Landsat 7 с усовершенствованным сканером ЕТМ+, проводящим съемку в 8 каналах. Однако в 2003 г. вышел из строя модуль Scan Line Corrector и была возобновлена эксплуатация спутника Landsat 5. Для расчета индекса NDVI используются 3-й и 4-й каналы камеры, длины волн которых составляют 0,63-0,66 мкм и 0,75-0,9 мкм соответственно (http://landsat.gsfc.nasa.gov). В декабре 2012 г. объявлено о прекращении функционировании Landsat 5 в связи с аппаратной поломкой.
Спутники SPOT (Satellite Pour l Observation de la Terre) впервые запущены в 1986 г. Разработчик - EADS Astrium Satellites (Франция). Высота орбиты 822 км. Период съемки - 26 дней. На данный момент функционируют SPOT-4 и SPOT-5, запущенные соответственно в 1998 г. и 2002 г. Съемка проводится в 5 различных волновых каналах. Пространственное разрешение 1-го канала составляет 5 м, остальных -10 м. Ширина полосы обзора - 60 км. Для расчета индекса NDVI используются 2-й и 3-й каналы камеры, длины волн которых составляют 0,61-0,68 мкм и 0,78 -0,89 мкм соответственно (http://www.astriurn-geo.com).
Спутники IRS-P6, разработанные компанией SRO (Indian Space Research Organization, Индия), запущены в 2003 г. Спутники находятся на орбите высотой 817 км. Съемка проводится в 5 каналах. Пространственное разрешение -10 м, ширина полосы обзора - 740 км, период съемки - 5 дней. Для расчета индекса NDVI используются 3-й и 4-й каналы камеры, длины волн которых составляют 0,62-0,68 мкм и 0,77-0,86 мкм соответственно (http://www.ga.gov.aiQ. Спутники RapidEye, разработанные компаниями MDA (Канада) и SSTL (Великобритания), запущены в 2008 г.; оснащены съемочной аппаратурой Jena-Optronik, проводящей съемку в 5 каналах. Спутники находятся на орбите высотой 630 км. Пространственное разрешение снимков - 6,5 м при ширине полосы обзора 77 км и периоде съемки 24 часа. Для расчета индекса NDVI используются 3-й и 5-й каналы камеры, длины волн которых составляют 0,63-0,685 мкм и 0,76-0,85 мкм соответственно. Особенностью съёмочной аппаратуры является наличие канала red-edge (крайний красный), оптимального для наблюдений за состоянием растительного покрова (http://www.rapideye-satellite.ru).
В нашей работе применены спутниковые данные Land sat 5 и RapidEye. Покрытие используемыми снимками территории Краснодарского края показано на рисунке 2.1. Выбор снимков обусловлен вышеописанными свойствами съемочной аппаратуры; покрытие отвечает положению тестовых территорий. Снимки RapidEye предоставлены Министерством сельского хозяйства и перерабатывающей промышленности Краснодарского края на четыре даты: 12.07.2009, 28.04.2010, 02.05.2010, 13.06.2010. Снимки Landsat 5 распространяются в открытом доступе через сервис Glovis (http://glovis.usgs.gov). В работе использованы сцены 174-028, 174-029, 175-028, 175-029 за период с сентября 2008 г. по октябрь 2010 г.
Метод оценки локальной неравномерности распределения сельскохозяйственных посевов по данным вегетационного индекса
Неравномерность распределения посевов (фитомассы) в пределах поля, т.е. на локальном уровне, вызвана двумя группами факторов: 1) условно естественными (неоднородность свойств почв, избыточная / недостаточная влажность почв, распространение болезней и пр.), 2) условно техническими (засоренность посевов, нарушение технологических процессов обработки земли, неравномерность внесения удобрений и пр.). Понятно, что при оптимальных условиях выращивания сельскохозяйственных культур территориальная однородность посевов, измеренная каким-либо образом, приближается к максимуму. Измерения этой неоднородности должны способствовать выявлению и устранению местных неблагоприятных факторов выращивания сельскохозяйственных культур.
Ставилась задача формализации локальной неравномерности (в пределах поля) фитомассы по данным вегетационного индекса. Предлагается метод расчета степени пространственной (не)равномерности посевов посредством статистических оценок распределения.
В качестве источников исходной информации использованы снимки коммерческих микроспутников RapidEye, а также векторные данные границ полей. Для анализа использовался индекс NDVI. Оценка пространственного распределения индекса NDVI включает следующие этапы:
1. Подготовка исходных материалов (спутниковых снимков и векторных данных) к извлечению из них необходимых параметров. На данном этапе проводится атмосферная коррекция исходных снимков в программном комплексе ENVI (модуль FLAASH). После коррекции снимки обрезаются по границе исследуемого участка и собираются в мозаику.
Для векторных данных в первую очередь выполняется экспорт из исходного формата .sit в формат .shp. Далее экспортированные границы полей необходимо объединить в один слой (по принадлежности к административному району) с помощью инструмента «Append» в пакете ArcGIS. Для минимизации погрешностей позиционирования проверяется привязка векторных данных и топологическая корректность полигонов (границ полей); также проводится обрезка полей инструмент «Split Polygons» по разделяющим поля объектам (дороги и т.п.). Для удобства последующих манипуляций карты полей на этом этапе целесообразно группировать послойно по признаку произрастающей на них сельскохозяйственной культуры.
2. Определение значений вегетационного индекса NDVI для всей исследуемой территории. Для оценки NDVI используются данные 3-го и 5-го каналов съемки, соответствующие ближней инфракрасной зоне и красной зоне спектра. Расчет выполняется в пакете Arclnfo (Esri) посредством инструмента «Raster Calculator» по формуле (2).
3. Выполненные расчеты позволяют перейти к оценкам статистических показателей значений NDVI, иначе говоря, оценкам пространственного распределения фитомассы в границах заданной территориальной единицы - сельскохозяйственном поле (полигоне). Наиболее значимыми в этом смысле показателями, на наш взгляд, являются среднее значение (%), медиана (Ме), стандартное отклонение ( т), эксцесс (Е), коэффициент асимметрии (А).
Расчет х и о проводился в программе ArcGIS (Esri) при помощи инструмента пространственного анализа «Zonal Statistic As Table» (модуль Spatial Analyst). Данный инструмент рассчитывает различные статистические показатели (минимальное, максимальное значение, размах, сумма, среднее значение, стандартное отклонение), оперируя значениями ячеек растрового слоя в границах выбранного векторного слоя. Результаты выводятся в виде отдельной таблицы. Исходными слоями служат растровый слой NDVI и векторный слой полей. Для визуализации результатов необходимо присоединить данные из полученной таблицы к слою полей. Данную операцию выполняет инструмент «Join Field», а в качестве табличного поля (field) с идентификаторами, по которым происходит присоединение, выступает техническое поле FID. Кроме того, в установках присоединения необходимо указать необходимые поля рассчитанных статистик (Min, Max, Mean и »
Standard Deviation). В результате каждая территориальная единица наделяется собственным набором статистических оценок распределения NDVI.
Для автоматизации данного процесса использован конструктор моделей в ArcGIS (Model Builder), объединяющий операции нескольких инструментов. В данном случае объединены инструменты «Zonal Statistic As Table», «Join Field» a также «Calculate Field», «Delete Field», выполняющие промежуточные расчеты атрибутивных данных. Схема модели представлена на рисунке 3.4.
Групповой способ (Batch) позволяет обработать все территориальные единицы (сельскохозяйственные полигоны), добавить в атрибутивные таблицы поля со средним значением и стандартным отклонением. Последнее значительно сокращает время промежуточных расчетов.
Однако в пакете ArcGIS не предусмотрено непосредственное вычисление коэффициента асимметрии, эксцесса и медианы. Для вычисления данных показателей пришлось прибегнуть к альтернативному методу расчета статистик, который заключается в экспорте значений NDVI из растрового представления в формат .dbf, независимом расчете указанных показателей и присоединении результатов к исходным данным (слоям полей). Дополнительно была разработана еще одна модель автоматизации Model Builder. Данная модель выполняет подготовку табличных данных к дальнейшему расчету статистик в MS Excel. Процесс представлен тремя основным шагами:
а) На первом шаге происходит подготовка атрибутивных данных векторно го слоя полей, рассчитывается специальное текстовое поле при помощи инстру ментов «Calculate Field», «Add Field», а также «Get Count», устанавливающего ко личество объектов в слое. Рассчитываемое текстовое поле определяется на основе идентификационного поля (используемого по умолчанию), которое в силу осо бенности хранения табличных данных программного комплекса ArcGIS не может обеспечить однозначную идентификацию объекта в других программных ком плексах. Расчет данного поля производится посредством VB Script: а= [FID] + 1 Ъ=а if [RowCount] 9 and [RowCount] 100 then if a 10 then b = "0" & a if [RowCount] 100 then if a 10 then b = "00" & a if [RowCount] 100 then ifa= 10 and a 100 then b = "0" & a
б) На втором шаге производится обрезка территориальной единицы в рас тровом слое по векторному слою полей. Эта операция выполнялась инструментом пространственного анализа «Extract by Mask» (модуль Spatial Analyst). Данный инструмент позволяет наложить маску на растровое изображение, применяя в ка честве маски векторные данные или другое растровое изображение. В этом случае модель совершает выборку объектов по полю «FID2». Выборка осуществляется для всех объектов в слое полей. Далее модель, используя эту выборку, разрезает растровый слой по границам полей. Название каждой полученной в результате этой операции единицы в растровом слое соответствует идентификатору объекта, по контуру которого он вырезан.
Разработка картографического web-приложения
В качестве альтернативного способа использован метод классификации с обучением (Лурье, Косиков, 2003; Лурье, 2008), основанный на автоматическом дешифрировании космических снимков при распознавании сельскохозяйственных культур (Kokhan, 2010). Классификация с обучением проводилась в пакете ENVI. Для этих целей использовались два снимка RapidEye (2 мая 2010 г., 13 июня 2010 г.) и снимок Landsat 5 (20 августа 2010 г.). Для выполнения классификации с обучением задаются области интереса (region of interest), выступающие в роли репрезентативных однородных фрагментов, на основе которых и осуществляется идентификация прочих объектов космического снимка. При проведении классификации с обучением использован способ параллелепипедов, оптимальный для небольшого количества классов. Для определения эталонов использованы характерные для Краснодарского края виды сельскохозяйственных культур: рис, озимая пшеница, озимый ячмень, кукуруза, подсолнечник, многолетние травы, а также озимый рапс.
Как показала экспериментальная классификация, наилучшие результаты дешифрирования по снимку на дату 2.05.2010 получены при детектировании озимых культур, точность распознавания которых составила 91%. У прочих культур в этот момент наблюдался посев, что облегчило процедуру распознавания. Точность идентификации данным способом посевов многолетних трав составила до 60%, полей под паром - 55% (рис. 4.7 б). Получение более точного результата затрудняет отсутствие сведений о видовом составе многолетних трав.
Благодаря рассмотренным выше особенностям выращивания достаточно точно идентифицированы посевы риса (82%). Однако, как показали результаты дешифрирования снимков на другие даты, лучше всего выполнять распознавание риса в фазы выметывания или молочной спелости (в данном случае на дату 20.08.2010). Тогда точность его распознавания повышается до 94%. Большинство участков с другими культурами в это время убраны и идентифицируется как пустые поля (рис. 4.7 б).
По данным снимка за 13.06.2010 достаточно надежно идентифицируются поля озимого рапса (до 78%), а также убранные поля озимых культур (рис. 4.8 а). По другим культурам точность распознавания неудовлетворительная (от 5% до 20%). Виды культур
По данным расчетов для Абинского района надежность распознавания методом классификации с обучением озимых культур, риса и полей под паром оказалась равной 91%, 94% и 60% соответственно (табл. 4.3). В Тимашевском районе точность дешифрирования яровых культур и озимого рапса составляет 61% и 81%. В целом хуже распознаются посевы многолетних трав и поля под паром.
Итак, выполнены эксперименты со спутниковыми снимками на предмет идентификации посевов сельскохозяйственных культур в различные фазы вегетации двумя независимыми методами. Результаты автоматической классификации с обучением показывают, что точность распознавания некоторых культур в определенные фазы развития выше, чем при использовании метода пороговых значений вегетационного индекса NDVI. Однако метод пороговых значений имеет другое преимущество: использование в совокупности трех снимков на различные фазы вегетации развития культур позволяет получить более точные результаты по совокупности исследуемых полей. Необходимо отметить, что надежность распознавания может быть повышена при наличии эталонных данных с наличием дополнительной информации о виде культуры и сроках сева.
Краснодарский край - аграрный регион, в настоящее время занимающий ведущее место по производству многих видов сельскохозяйственной продукции в России. В современных экономических условиях, характеризующихся переходным состоянием и повышенной нестабильностью, необходима доступная аналитическая информация, отражающая динамику и территориальную изменчивость совокупности сельскохозяйственных показателей в Краснодарском крае.
Понятно, что колоссальные объемы разнородных региональных сельскохозяйственных показателей, как правило, содержащихся в «бумажных» источниках, целесообразно сосредоточить в единой среде - в базе данных, интегрированной в ГИС. Однако до сих пор для экономических и географических показателей Краснодарского края не существует единой базы данных с картографической поддержкой, облегчающей принятие научно обоснованных управленческих решений. Актуальным остается вопрос сетевого обеспечения доступа к упорядоченным данным, в том числе к их графической и картографической составляющим.
Web-картография - динамично и повсеместно развивающееся направление современных ГИС-технологий. Первое картографическое web-приложение Xerox PARC Map Viewer (Национальный атлас Канады) появилось в 1993 г. и базировалось на технологии CGI/Perl. С этого момента началось активное развитие web-картографических ресурсов, созданы и введены в эксплуатацию web-системы Mapquest, MultiMap, UMN MapServer 1.0 и многие другие. В 2000 г. возникли web-приложения на распределенных картографических платформах (ESRI ArcIMS, UMN MapServer и др.). В 2004 г. Стив Кост разработал открытый картографический ресурс OpenStreetMap, опирающийся на технологию crowd-sourcing, позволяющую наполнить базу картографических данных силами множества добровольцев. С середины 2000-х годов начался запуск мощных глобальных web-сервисов - Google Map, WikiMapia, Yahoo! Map, Live Search Maps, Yandex Maps, предоставляющих картографическую информацию планетарного масштаба. Ныне наличие таких сервисов стало общим местом, стандартом в области информационного пространственного обеспечения, хотя срок их существования не столь продолжителен.
Существует два наиболее распространенных подхода к созданию картографических web-приложений. Основное различие между ними заключается в следующем. В первом случае используется универсальный картографический сервер (как базовая составляющая), разработанный одной из ведущих мировых компаний в области геоинформационных приложений; сервер корректируется для приложения к конкретной задаче. Во втором случае такая базовая составляющая разрабатывается с нуля и изначально функционально адаптирована к конкретным действиям. Каждый из способов имеет свои специфические особенности.
Разработка приложения, в основе которого лежит готовый сервер, позволяет избавиться от трудоемких затрат на создание программной части системы и привлечения к проекту специалистов в области прикладного программирования (Кузнецов, Стебловский, 2011). Достаточно инсталлировать и настроить приложение для публикации разнородных данных и запуска, системы в эксплуатацию. Наиболее часто системы создаются таким образом, когда назначение соответствует решаемой задачей. В противном случае приходится адаптировать функциональную часть и интерфейс к необходимому состоянию. Это является одним из недостатков данного подхода, поскольку требует наличия квалифицированных специалистов. К сдерживающим обстоятельствам следует отнести и необходимость приобретения лицензионных прав на использования картографического сервера.
Ярким примером реализации первого подхода является сайт национального центра статистики образования США (http://nces.ed.gov). Эта организация занимается сбором, обработкой и анализом статистических данных в сфере образования и осуществляет мониторинг самых важных показателей данной области. Рассмотренная информационная система включает в себя различные базы данных и геоданных, а также графический интерфейс и некоторые аналитические инструменты. Графический интерфейс в основном представлен интерактивной картой, связанной с базами данных, которые включают пространственную информацию и статистические показатели. В режиме реального времени возможно изменение классификации выбранных значений, сохранение результатов работы с табличными данными, изменение периода выборки, навигация по рабочему пространству, а также добавление и отображение различного рода информативных тематических слоев (рис. 5.1).
