Содержание к диссертации
Введение
ГЛАВА 1. Возможности современных систем дистанционного наблюдения и основные задачи систем мониторинга состояния сельскохозяйственной растительности 11
Введение 11
1.1 Основные возможности современных систем дистанционной оценки состояния растительности на основе данных дистанционных наблюдений 12
1.2 Действующие спутниковые системы, которые сегодня могут быть использованы для мониторинга с/х растительности 16
1.3 Текущее развитие технологий и систем спутникового дистанционного мониторинга земель сельскохозяйственного назначения 22
1.4 Основные виды информации, которая сегодня необходима для эффективного контроля и управления с/х производством 26
1.5 Основные задачи, которые должны быть решены в системах дистанционного мониторинга 29
Выводы к первой главе 32
ГЛАВА 2. Архитектура построения и функциональные возможности спутникового сервиса «ВЕГА» 33
Введение 33
2.1 Основные задачи 33
2.2 Используемые данные 36
2.3 Архитектура системы 40
2.4 Основные инструменты анализа данных 48
2.5 Основные возможности анализа данных 57
Выводы ко второй главе 62
ГЛАВА 3. Технологические и технические решения, реализованные в спутниковом сервисе «ВЕГА» 63
Введение 63
3.1 Подсистема сбора и обработки данных 63
3.2 Подсистема архивации данных 78
3.3 Подсистема представление и анализа данных .84
3.4. Архитектура аппаратных комплексов обеспечивающих возможность функционирования спутникового сервиса «ВЕГА» 92
Выводы к третьей главе
ГЛАВА 4. Использование спутникового сервиса «ВЕГА» для оценки состояния сельскохозяйственной растительности 96
Введение 96
4.1 Методы выявления отклонений хода развития растительности от "нормального" состояния 97
4.2 Исследование возможности оценки урожайности по году аналогу, алгоритмы автоматического выбора года аналога 101
4.3. Исследование возможности оценки урожайности на основе построения корреляционных зависимостей между статистическими данными и вегетационными индексами 111
4.4 Сравнение разных методов оценки урожайности по спутниковым данным 116
Выводы к четвёртой главе 118
ГЛАВА 5. Использование спутникового сервиса «вега» для решения различных научных и прикладных задач 119
Введение 119
5.1 Использование сервиса «ВЕГА» при создании различных систем дистанционного мониторинга растительности и окружающей среды 120
5.2 Использование спутникового сервиса «ВЕГА» в проекте РОССТАТА для контроля данных Всероссийской сельскохозяйственной переписи 122
5.3 Использование сервиса «ВЕГА» при создании системы дистанционного лесопатологического мониторинга 126
5.4 Использование спутникового сервиса «ВЕГА» для дистанционного мониторинга состояния лесов 129
5.5 Использование спутникового сервиса «ВЕГА» для решения научных задач 132
5.6 Использование спутникового сервиса «ВЕГА» для обеспечения данными различных региональных систем мониторинга окружающей среды 137
Выводы к пятой главе 141
Заключение 143
Приложение 1. Акты об использовании результатов диссертации.147
Приложение 2. Свидетельства о государственной регистрации программ для эвм 150
Приложение 3. Основные публикации по теме диссертации 153
Список литературы
- Действующие спутниковые системы, которые сегодня могут быть использованы для мониторинга с/х растительности
- Основные инструменты анализа данных
- Архитектура аппаратных комплексов обеспечивающих возможность функционирования спутникового сервиса «ВЕГА»
- Исследование возможности оценки урожайности на основе построения корреляционных зависимостей между статистическими данными и вегетационными индексами
Введение к работе
Актуальность диссертации и степень разработанности темы.
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, и 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 Н.Н., 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 обеспечивающей возможность работы со сверхбольшими постоянно и оперативно пополняющимися архивами спутниковых данных и результатами их обработки;
система «ВЕГА» (), 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 иенность 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, ZAPAS и MOCCCASIN. На базе нее созданы различные региональные и специализированные системы, в том числе, «Вега-Лесопатолог», «Вега-Дальний Восток», сервис «Хабаровский край», «Вега-Эпидемиолог», «Вега-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 Photogrammetry 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. Получено 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 ВЦ ДВО РАН и ФГБУ "ГИДРОМЕТЦЕНТР РОССИИ". Сервис «ВЕГА» использовался в проектах РФФИ (11-07-12026-офи-м-2011, 11-01-91159-ГФЕНа, 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.
Действующие спутниковые системы, которые сегодня могут быть использованы для мониторинга с/х растительности
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.
Основные инструменты анализа данных
Необходимо помнить, что подсистема ведения архивов непосредственно связана с подсистемой предоставления и анализа данных. Поэтому, при проектировании БД были учтены возможные запросы на извлечение данных и соответствующим образом оптимизирована структуру БД. Именно для оптимизации запросов на отображение данных на сервисе существуют специальная БД карт ВИ, которая служит для ускорения визуализации этих данных. Она также использует технологию FDB, но единицей информации является маленькая часть растрового изображения («таил»).
Аналогично, для ускорения доступа к метеорологическим данным была создана специальная БД, в которую заносятся упорядоченные данные метеонаблюдений. Исходный формат распространения данных не позволяет получить быстрый доступ к данным при анализе временных рядов.
Для обеспечения работы с объектами мониторинга существует БД объектов, в которой хранится геометрическое представление объекта, его атрибутивная информации и результаты пространственного осреднения ВИ по объекту.
Кроме того, существуют различные справочные таблицы, а так же служебные таблицы для управления и контроля.
Доступ ко всем данным осуществляется не напрямую к БД, а используют программную прослойку (API) - это набор программных модулей, вызов которых обеспечивает выдачу необходимых данных в стандартизованном виде. Тем самым доступ к данным не зависит от структуры хранения самих данных.
Для предоставления информации пользователю в удобном для него виде и обеспечения пользователя инструментами просмотра и анализа данных существует подсистема предоставления и анализа данных. Подсистема представляет собой набор веб интерфейсов и сервисов, предназначенных для организации доступа пользователей к данным.
Веб интерфейсы предоставляют пользователю возможность работать с данными без использования дополнительного программного обеспечения кроме веб браузера. Пользователь может в любое время, в любом месте получить доступ к системе, к данным в системе, к объектам, которые он создал, и проводить необходимый ему анализ данных. При необходимости пользователь может выгрузить необходимые ему данные и использовать их в других системах. Пользователь может использовать как стационарные компьютеры, так и мобильные. Тем самым пользователь получает доступ к данным и к системе, как и где ему удобно.
Для доступа и анализа данных в сервисе «ВЕГА» были разработаны различные веб-интерфейсы. Они позволяют проводить как пространственный, так и временной анализ данных, заводиться объекты мониторинга и получать по ним информацию, а также формировать различные отчетные формы и бюллетени. Подробнее, состав и основные функциональные возможности интерфейсов будут описаны далее в этой главе.
Кроме веб интерфейсов, существуют система служб, которые могут быть использованы для доступа к информации из сторонних систем. Для получения растровых изображений используются сервисы, работающие с протоколом WMS (http://www.opengeospatial.org/standards/wms), для получения табличных данных, сервисы работающие с форматами JSON(http://www.json.org/) и XML [59]. Наличие сервисов позволяет проводить интеграцию с другими системами и службами. Кроме этого, существует возможность использования внешних сервисов для получения с них необходимых пользователю данных. Таким образом, пользователь сможет получать все необходимые ему данные в одном месте.
Необходимо также упомянуть о подсистеме контроля работоспособности и управления элементами системы. Основной задачей подсистемы является контроль выполнения процессов, запускаемых в автоматическом режиме. В рамках подсистемы контроля производится также мониторинг состояния различных характеристик компьютеров, участвующих в работе подсистемы хранения, таких как объем свободного места на диске, загруженность процессора, объем свободной памяти и др. Вышеперечисленная информация предоставляется администраторам в служебных интерфейсах. В интерфейсе отображается состояние каждого запущенного процесса, протокол его выполнения. В случае ошибки, отображается соответствующий код и отсылается сообщение администратору системы. Кроме контроля работоспособности, важной задачей является контроль актуальности данных. Важно контролировать не только входные данные, но и все уровни обработки. Отсутствие актуальных данных на разных уровнях обработки свидетельствует о проблемах в обработке данных. Контроль актуальности данных также работает в автоматическом режиме, и при обнаружении неполадок формируется соответствующие сообщение администратору.
Еще одной важной задачей, которой занимается подсистема, является контроль доступа к данным. На сервисе реализован как контроль доступа к ресурсам, так и контроль уровня доступа исходя из прав пользователя. Для управления доступом пользователей и списком пользователей был разработан специализированный веб-интерфейс.
Для построения подсистемы контроля работоспособности и управления элементами системы были использованы технологии и базовое программное обеспечение, созданное в ИКИ РАН [60], [61], [62], [63].
Детально технологические и технические решения подсистемы сбора и обработки данных, подсистемы архивации данных и подсистемы предоставления и анализа данных, реализованные в спутниковом сервисе «ВЕГА» будут описаны в третьей главе.
Таким образом, рассмотренные выше подсистемы позволяют автоматически формировать и пополнять архивы данных, организовывать доступ и анализ данных, а также контролировать работу процессов в системе и разграничивать доступ.
Архитектура аппаратных комплексов обеспечивающих возможность функционирования спутникового сервиса «ВЕГА»
Спутниковые данные MODIS (оперативные) и LANDSAT в виде сцен используются в картографическом интерфейсе для пространственного анализа. Они скачиваются в виде отдельных сцен. Сцена это изображение, получаемое со спутника которое охватывает все видимое со спутника пространство на момент съемки. Одна сцена соответствует одному моменту съемки.
Оперативные данные MODIS в виде сцен скачиваются из национальной географической службы США (USGS) по одной сцене, как только они появляются в каталоге. После скачивания они помещаются в БД с использованием технологии FDB. Помещенные в архив данные доступны как для обработки, так и для непосредственного отображения.
Данные LANDSAT также скачиваются из центра USGS. При скачивании используется система заказов данных на нужную территорию, после выкладки заказанных данных в центре, они также скачиваются по одной сцене и помещаются в БД с использование технологии FDB. Помещенные в архив данные также доступны как для обработки, так и для непосредственного отображения.
Основные данные MODIS скачиваются из USGS в виде гранул. Данные автоматически получаются по сети Интернет с выделенного сервера данных центра LP DAAC (Land Processes Distributed Active Archive Center) Data Pool со средней временной задержкой в 3-5 дней. Эти данные поставляются в равноплощадной синусоидальной проекции [70].
Поверхность Земли, представленная в данной проекции, разделена на квадратные фрагменты - гранулы (granule) размером 1112x1112 км (10 вдоль экватора и нулевого меридиана). Таким образом для нужд сервиса ежедневно скачиваются 38 гранул, для того чтобы покрыть все нужную территорию. Каждая гранула содержит данные всех пролетов спутника над этой территории за день. Данные скачиваются и помещаются в БД с технологией FBD. Эти данные распространяются в формате HDF (http://www.hdfgroup.org/HDF5), что не позволяет использовать их для непосредственного отображения и требуется дополнительная обработка. Эти данные являются основными для оценки состояния растительности и проходят еще много стадий обработок.
Метеорологические данные являются не спутниковыми данными, а климатическими данными реанализа NCEP [71]. Эти данные скачиваются из центра Национального центра прогнозирования окружающей среды и Национального центра атмосферных исследований США (NCAR) в виде GRIB2 файлов (http://www.nco.ncep.noaa.gov/pmb/docs/grib2/). Один файл содержит все наборы доступных параметров и соответствует одному временному промежутку. Скважность данных составляет 6 часов, таким образом, за сутки необходимо скачать 4 файла. Данные покрывают всю территорию земного шара. Данные скачиваются и помещаются в файловый архив иерархической структуры. Для того, чтобы можно было использовать эти данные они проходят дополнительную обработку, результаты которой помещаются в БД.
После поступления данных в архивы они используются блоком предварительной (первичной) обработки данных. Основная задача блока -подготовка данных перед их тематической обработкой. Данные необходимо дополнительно очистить и по возможности восстановить поврежденные участки. Так как основными данными для мониторинга растительности являются гранульные данные MODIS, то далее, в тех местах, где упоминается использование данных MODIS, подразумевают использование этих данных.
Одна из главных задач блока сформировать безоблачные очищенные композитные изображения MODIS, используя данные ежедневных пролетов. Эти композиты необходимы для более качественного расчета ВИ и характеристик растительности. Подразумевается что за время, которое покрывает композит, растительность не претерпевает значительные изменения.
Для работы блок использует базовые технологии и алгоритмы подготовки данных, разработанные в ИКИ РАН [54], [49], [72], [73], [74]. Эти технологии обеспечивают формирование необходимых наборов очищенных безоблачных композитов, которые в дальнейшем используются для формирования различных тематических продуктов. Дополнительная очистка и формирование безоблачных композитных изображений [75] состоит из следующих этапов: маскирование наблюдений с неудовлетворительными значениями угловых характеристик; выявление снежного и облачного покрова; маскирование теневых участков поверхности; временная фильтрация ряда изображений. Используемые технологии позволяют строить композитные изображения с заданными параметрами для любого региона, который покрыт исходными данными. Для нужд сервиса «ВЕГА» блок предварительной обработки формирует очищенные безоблачные композиты MODIS со скважностью 4 дня, 7 дней, 30 дней и 60 дней. Композиты 4 и 7 дневные активно используются для расчетов вегетационных индексов, а композиты 30 и 60 дневные, используются для формирования цветосинтезированных изображений, которые используются в задачах классификации растительности и анализе состояния лесов. После того, как необходимые данные подготовлены, они используются блоком тематической обработки.
Блок тематической обработки используется для формирования продуктов, необходимых для решения задач в рамках сервиса «ВЕГА».
Для обеспечения сервиса необходимыми тематическими продуктами, такими как: карты растительности; карты пахотных земель; карты земель, занятыми озимыми и парами; картами пожаров, данными по сельхоз палам; композитные изображения MODIS; композитные изображения LANDSAT; метеорологические данные, используются технологии и автоматизированные комплексы, созданные в ИКИ РАН [31], [43], [54], [55], [39], [56], [38], [40], [41], [44], [45], в которых реализованы специально разработанные алгоритмы.
Для обеспечения сервиса данными по ВИ формируются карты NDVI по подготовленным ранее композитным изображениям. Эти композитные изображения, представляют собой набор композитных изображений для каждого исходного канала MODIS. Соответственно, при построении карт ВИ NDVI в расчете используются композитные изображения соответствующих каналов. В сервисе «ВЕГА» для анализа растительности используются композитные изображения NDVI за 7 дней. Необходимо отметить, что формируются несколько наборов композитных изображений, которые отличаются разными алгоритмами фильтрации, сглаживания и восстановления данных [75]. Композитные изображения, так же как и исходные данные находятся в гранульной системе, соответственно и карты NDVI формируются тоже по гранулам. Все гранулы композитов находятся в БД с технологией FDB.
Для формирования одной карты NDVT на всю необходимую территорию используется 26 гранул одного 7 дневного композита. Используя технологии автоматизации обработки, которые будут описаны ниже, по всем гранулам, их которых состоит композит, строятся карты NDVI. Полученные таким образом карты NDVI в виде файлов HDF, попадают обратно в БД (FDB). Для использования карт NDVI в интерфейсах они преобразуются из формата HDF в формат GIF и помещаются в специальную БД, используя технологии FDB и «тайловую» систему.
Для расчета временных рядов ВИ и характеристик объектов используются карты NVDI в формате HDF, а также специально разработанные алгоритмы, которые используются в блоке расчета характеристик, который является частью тематической обработки.
Блок расчета характеристик является заключительной частью тематической обработки, в нем рассчитываются характеристики, по которым анализируется состояние растительности.
Исследование возможности оценки урожайности на основе построения корреляционных зависимостей между статистическими данными и вегетационными индексами
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 но (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 NDVI. Наличие данных норм позволяет автоматически диагностировать отклонения в ходе развития озимых и яровых культур от "нормы", путем вычисления разницы между текущим значением NDVI для конкретного района и значением нормы. Для этого используется временной ряд ВИ в текущем сезоне и смотрится его отклонение от нормы.
