from 01.01.2017 until now
Russian Federation
UDC 631.6
UDC 528
CSCSTI 68.31
Russian Classification of Professions by Education 35.06.01
Russian Library and Bibliographic Classification 40
Russian Trade and Bibliographic Classification 5607
BISAC TEC003000 Agriculture / General
The experience of using the normalized difference humidity index (NDMI) when deciphering satellite images of irrigated land is covered in this article. It is noted that the NDMI distribution function has a domed graph shape similar to the NDVI vegetation index distribution function. It has been shown that in the early stages of culture development, differences in NDMI values do not have statistical significance. Soil without vegetation, including irrigated, has negative NDMI values (–0.05 ± 0.01), while irrigated crops can have an NDMI of about 0.4. This makes it possible to make the assumption that NDVI is more preferable to use crops for the analysis of not soil moisture, but the level of water stress in order to assess the need for irrigation
melioraciya, oroshenie, vlazhnost' pochvy, distancionnoe zondirovanie Zemli, NDMI, eroziya pochv
Введение. Сельское хозяйство является самым крупным потребителем воды, на долю которого по данным Продовольственной и сельскохозяйственной организации Объединенных Наций (FAO) приходится 70% от всего мирового водозабора [1, 2]. Несмотря на то, что орошаемые угодья составляют не более 24% от всех пахотных земель, на них выращивают около 40% продовольствия [3, 4]. Поэтому развитие технологий оперативной оценки качества орошения, уровня влажности почвы для повышения рационального расхода воды является приоритетной задачей мелиоративного земледелия. Все чаще исследователи в своей работе активно используют данные дистанционного зондирование Земли (ДЗЗ), в том числе для оценки водного стресса растений, прогноза водопотребления сельскохозяйственных культур и др. [5, 6, 7]. Так, например, недавние исследования показывают возможность использования данных ДЗЗ для прогноза влажности почвы [8, 9]. Однако, несмотря на растущую доступность данных ДЗЗ с высоким разрешением, оценка влажности почвы с высокой точностью остается сложной задачей из-за пространственно-временной изменчивости и сложных взаимодействий между свойствами почвы, растительностью и климатическими факторами [10, 11].
Одним из способов оценки уровня влажности является расчет спектральных индексов. Нормализованный разностный индекс влажности (NDMI) – это спутниковый индекс, рассчитанный на основе микширования данных ближнего (NIR) и коротковолнового (SWIR) инфракрасных каналов. По данным Европейского космического агентства отражательная способность канала SWIR характеризует изменения содержании воды в растительности, а канал NIR также характеризует состояние растительности, но в большей степени зависит от состояния листьев и содержания сухого вещества в них [15, 16]. Сочетание NIR и SWIR повышает точность измерения уровня водного стресса в растениях. Количество воды, содержащейся в зеленой массе листвы, в значительной степени регулирует спектральную отражательную способность в SWIR-интервале электромагнитного спектра. Поэтому отражательная способность SWIR отрицательно связана с содержанием воды в листьях. NDMI рассчитывается по следующей зависимости:
NDMI = (NIR – SWIR) / (NIR + SWIR).
Как и другие индексы, имеет диапазон [–1; +1]. Отрицательные и низкие значения NDMI указывают на недостаток влаги. Положительные и высокие значения NDMI указывают на значительное содержание влаги. Визуализация карты NDMI позволяет проанализировать пространственное распределение влаги в растительности и выявить участки водного стресса или избыточной влажности.
В то же время исследователи [11, 17] отмечают, что NDMI является одним из наименее изученных индексов для оценки влажности почвы. В работе [18, 19] отмечаются положительные результаты использования индекса для прогнозирования влажности почвы при орошении таких культур как пшеница, картофель и виноград.
Цель настоящей работы заключалась в использовании индекса NDMI для идентификации орошаемых участков.
Материалы и методы исследования. Опытные участки расположены на землях АО «Северка» в Коломенском городском округе Московской области в с. Шкинь. В соответствии со схемой севооборота, в 2024 году на опытных участках 1 и 2 площадью 6,34 га и 18,15 га соотвественно выращивали картофель (Solanum tuberosum L. сорта Прайм и Ньютон ), на участке 3 – свеклу (Beta vulgaris L. сорт Кестрел F1) на площади 34,3 га. Полив осуществляли дождевальной машиной кругового действия T-L. Схема опытных участков приведена на рисунке 1а.
Расчет NDMI выполнен по методу микширования исходных геопривязанных растровых изображений ближнего (NIR, B08) и коротковолнового (SWIR, B11) инфракрасных областей спектра снимков Sentinel-2 с использованием программы QGIS (ver. 3.36.3 «Münster»). Исходные растры имеют метаданные драйвера GDAL – GeoTIFF, тип данных – Byte (8-битное беззнаковое целое), система координат EPSG:4326 – WGS 84. Векторизация итогового растра NDVI выполнена в среде геоинформационной системы SAGA GIS 9.7.1. Оценка площадей выполнена с помощью функции геометрии полигонального объекта $area.
Зональная статистика NDMI (медиана median, минимальные min и максимальные max значения) рассчитывалась в среде программы QGIS (ver. 3.36.3 «Münster»). Обработка данных по методу группировки интервалов, расчета частот (с графиком накопления частот – интегральным %), и графическое оформление результатов исследования выполнены в электронных таблицах Microsoft Office Excel (ver. 16.10 Build 180124 (2018)). Уровень статистической значимости принят 0,05, рассчитывалось стандартное отклонение s, доверительный интервал медианы и коэффициент вариации Cv.
Посев свеклы произведен в период с 20.05.2024 по 27.05.2024 г. Первые всходы появились 01.06.2024 г., массовые – 05.06.2024 г. Посадка картофеля на 1-м участке произведена 18.05.2024 г. и 19.05.2024 г., массовые всходы появились 08.06.2024 г. Посадка картофеля на 2-м участке произведена 06.05.2024 г. и 16.05.2024 г., массовые всходы наблюдались 02.06.2024 г.
Для анализа выбраны наборы спектральных данных в даты, когда проводили поливы (30.05.2024 г. и 19.06.2024 г.) и в промежуточную дату (12.06.2024 г.). Условие выбора – безоблачные снимки. Также выбирались снимки в естественных цветах «true color», на которых текстура соотносится с поливом (матовая (однорордная) или волокнистая (радиальные или лучистые полосы). Дополнительно для участков 1 и 2 анализировались даты в период от начала вегетации до уборки (соответственно до 01.10.2024 г. и 18.08.2024 г.).
Результаты исследования и их обсуждение. На рисунке 2 приведены графики изменения значений спектрального индекса NDMI на рассматриваемых участках. В связи с тем, что до середины второй декады мая среднесуточная температура была в среднем +6,0°С при нижней границе амплитуды колебаний в сторону отрицательных значений в ночные часы, этот период характеризовался как экстремальный для посевов. Такие метеорологические условия вызвали задержку всходов картофеля на 2 участке, в связи с чем всходы на 1 и 2 участках появились практически одновременно. Поэтому расчет индекса NDMI для участков 1 и 2 в данном исследовании выполнен совместно.
При анализе графиков (рисунок 2) выявлены следующие закономерности. В первую дату наблюдений (30.05.2024 г.) для пашни без растительного покрова статистические различия отсутствовали, медианные значения median для свеклы составили –0,05 ± 0,01 (min = –0,24, max = 0,00, s = 0,04, распределение NDMI неравномерное – Cv = –0,59) и для картофеля –0,05 ± 0,01 (min = –0,17, max = 0,00, s = 0,03, распределение неравномерное – Cv = –0,59). В этот день проводили полив посевов свеклы, что видно на спутниковом снимке «true color» по более темному тону почвы. В целом такие значения индекса NDMI характерны для оголенной почвы.
На дату 12.06.2024 г. растения свеклы и картофеля еще не были достаточно развитыми. Для посевов Beta vulgaris L. индекс влажности составил median = –0,04 ± 0,01 (min = –0,18, max = 0,12, s = 0,03, распределение неравномерное – Cv = –0,63) и для Solanum tuberosum L. значения median = –0,02 ± 0,01 (min = –0,15, max = 0,13, s = 0,02, распределение неравномерное – Cv = –0,85). Отметим, что на ранних стадиях развития культур практически отсутствуют различия. Изменения на снимке «true color» также несущественные, однако, сорная растительность (см. рисунок 1б, 6) в виде зеленых пятен в зонах появления эрозионных процессов визуализируются достаточно отчетливо.
19.06.2024 г. полив проводили на поле картофеля, NDMI которого составил median = 0,08 ± 0,02 (min = –0,04 max = 0,35, s = 0,06, распределение неравномерное – Cv = 0,66). На посевах свеклы полив не проводился, индекс влажности составил median = 0,02 ± 0,02 (min = –0,04 max = 0,35, s = 0,06, распределение крайне неравномерное – Cv = 1,14, вероятно связано с пятнистой текстурой спутникового снимка (см. рисунок 1в). На политой культуре индекс влажности больше на 0,06, что, в типичных условиях указывает на водный стресс или ранние фенологические фазы. На снимке «true color» визуализируется характерный для эродированной почвы дендритный рисунок. Эта особенность начала проявляется уже в соседнюю дату (12.06.2024 г): на рисунке 1д более влажные эродированные участки имеют наиболее выраженный цвет индекса. На рисунке 1е эродированные участки имеют более бледную окраску, что связано с отсутствием на них растительности, что свойственно для значений NDMI оголенной почвы.
На рисунке 3 приведены хронологические графики изменения NDMI для Solanum tuberosum L. Обращает на себя внимание форма функции распределения NDMI, совпадающая по характеру с функцией распределения вегетационного индекса NDVI (куполообразная форма графика). В то же время отрицательные и низкие положительные значения NDMI фиксируются не только в начале вегетационного периода, как это характерно для NDVI, но и в период активной вегетации культуры. В ходе исследования обнаружена следующая закономерность в визуализации NDMI. Голая почва имеет низкие значения индекса (–0,08), а неубранная культура 16.08.2024 г. имеет характерный плотный цвет и более высокие значения индекса влажности (0,2…0,22).
Заключение
В рассмотренном примере видно, что на ранних стадиях развития культур различия в значениях NDMI не имеют статистической значимости. Орошаемая почва без растительности, имеет отрицательные значения NDMI (–0,05 ± 0,01), в то время как орошаемые культуры могут иметь NDMI около 0,4. Это позволяет сделать предположение о том, что NDMI более предпочтительнее использовать для анализа не влажности почвы, а уровня водного стресса культуры с целью оценки потребности в орошении.
1. Reshenie problem s vodoy s sel'skom hozyay-stve // Food and Agriculture Organization of the United Nations (FAO) [Elektronnyy re-surs]. URL: http://www.fao.org/3/cb1447ru/online/cb1447ru.html# (Data obrascheniya: 11.07.2023 g.).
2. Analiticheskiy obzor problemy vzimaniya platy za vodu v oroshaemom zemledelii / S.V. Bryl' // Ekologiya i stroitel'stvo. 2023. № 4. S. 16-21. DOI:https://doi.org/10.35688/2413-8452-2023-04-003.
3. Portmann F.T., Siebert S., Döll P. MIRCA2000—global monthly irrigated and rainfed crop areas around the year 2000: a new high-resolution data set for agricultural and hydrological modeling // Global Biogeochem. Cycles. 2010. Vol. 24, GB1011. DOI:https://doi.org/10.1029/2008GB003435.
4. Half of twenty-first century global irrigation expansion has been in water-stressed regions // Mehta P., Siebert S., Kummu M. [et al.] // Nat Water. 2024. Vol. 2. P. 254–261. DOI:https://doi.org/10.1038/s44221-024-00206-9.
5. Uav-based remote sensing in plant stress imagine using high-resolution thermal sensor for digital agriculture practices: A meta-review / Awais M. [et al.] // Int. J. Environ. Sci. Technol. 2022. DOI:https://doi.org/10.1007/s13762-021-03801-5.
6. Remote sensing for agriculture and resource management / Kumar S. [et al.] // In Natural Resources Conservation and Advances for Sustainability. 2022. P. 91–135. DOI:https://doi.org/10.1016/B978-0-12-822976-7.00012-0.
7. Analiz metodicheskih podhodov k obosnovaniyu rezhimov orosheniya sel'skohozyaystvennyh kul'tur / A.A. Buber, S.V. Bryl' // Ekologiya i stroitel'stvo. 2024. № 4. S. 52-58. DOI:https://doi.org/10.35688/2413-8452-2024-04-007.
8. Soil moisture measuring techniques and factors affecting the moisture dynamics: A comprehensive review / Rasheed M.W., Tang J., Sarwar A. [et al.] // Sustainability, 2022. Vol. 14, 11538. DOI:https://doi.org/10.3390/su141811538.
9. Celik M.F., Isik M.S., Yuzugullu O., Fajraoui N., Erten E. Soil moisture prediction from remote sensing images coupled with climate, soil texture and topography via deep learning // Remote Sens. 2022, Vol. 14, 5584. DOI:https://doi.org/10.3390/rs14215584.
10. Bwambale E., Abagale F.K., Anornu G.K. Smart irrigation monitoring and control strategies for improving water use efficiency in precision agriculture: A review // Agric. Water Manag. 2022, Vol. 260, 107324. DOI:https://doi.org/10.1016/j.agwat.2021.107324.
11. Koohikeradeh E., Jose Gumiere S., Bonakdari H. NDMI-Derived Field-Scale Soil Moisture Prediction Using ERA5 and LSTM for Precision Agriculture // Sustainability. 2025, Vol. 17, 2399. DOI:https://doi.org/10.3390/su17062399.
12. Wang L., Qu J.J., Hao X., Hunt J.E.R. Estimating dry matter content from spectral reflectance for green leaves of different species // Int. J. Remote Sen. 2011, Vol. 32, P. 7097–7109. DOI:https://doi.org/10.1080/01431161.2010.494641.
13. Strashok O., Ziemiańska M., Strashok V. Evaluation and Correlation of Normalized Vegetation Index and Moisture Index in Kyiv (2017–2021) // Journal of Ecological Engineering. 2022. Vol. 23(9), P. 212-218. DOI:https://doi.org/10.12911/22998993/151884.
14. Lykhovyd P.V., Sharii V.O. Normalised difference moisture index in water stress assessment of maize crops // Agrology. 2024, Vol. 7, P. 21–26. DOIhttps://doi.org/10.32819/202403.
15. Hosseini Chamani F., AFirouzi F., Amerykhah H. Pedotransfer Function (PTF) for Estimation Soil moisture using NDVI, land surface temperature (LST) and normalized moisture (NDMI) indices // J. Water Soil Conserv. 2019, Vol. 26, P. 239–254. DOI:https://doi.org/10.22069/jwsc.2019.15306.3053.
16. Safi A.R., Karimi P., Mul M., Chukalla A., de Fraiture C. Translating open-source remote sensing data to crop water productivity improvement actions // Agric. Water Manag. 2022, Vol. 261, 107373. DOI:https://doi.org/10.1016/j.agwat.2021.107373.
