с 01.01.2017 по настоящее время
Россия
УДК 633.6 Сахаристые и крахмалистые растения
УДК 528.8 Дистанционное зондирование. Методы и приборы
ГРНТИ 68.31 Сельскохозяйственная мелиорация
ОКСО 35.06.01 Сельское хозяйство
ББК 40 Естественнонаучные и технические основы сельского хозяйства
ТБК 5607 Сельскохозяйственная мелиорация
BISAC TEC003050 Agriculture / Irrigation
В статье приводится пример анализа данных дистанционного зондирования Земли для выявления спектральных маркеров орошаемых участков. В исследовании используются вегетационные индексы NDVI и NDMI, а также метеорологические параметры и спутниковые снимки в естественных цветах. Используются спектральные данные спутника Sentinel‑2. Обработка данных выполнена в геоинформационной системе SAGA GIS. Установлены достоверные значения индекса влажности NDVI на уровне выше 0,4 (статистическая значимость p=0,0001…0,003). Отмечается высокая корреляционная связь между индексами NDVI и NDMI (коэффициенты корреляции 0,83…0,93). Качество выводов о данных индекса влажности NDMI повышается при совместном их рассмотрении с индексом NDVI. Оба индекса дополняют информацию друг о друге
вегетационный индекс, NDVI, NDMI, влажность, орошение
В последние годы заметен рост научных работ, в которых в качестве инструментов анализа состояния земель сельскохозяйственного назначения используются данные дистанционного зондирования Земли и геоинформационные системы [1, 2, 3, 4]. Для этого формулируются гипотезы о наличии статистически значимой связи между данными спутникового мониторинга и соответствующими им дешифровочными признаками. В мелиорации одним из актуальных является вопрос решения задачи по картографированию орошаемых земель. Понимание пространственного распределения орошаемых участков важно для построения стратегий по оптимизации водных ресурсов, ввода в оборот новых земель, управления агропромышленным комплексом и информационно-аналитического обеспечения сельского хозяйства [5, 6, 7].
В действующей редакции ГОСТ Р 70611-2022 для оценки степени влажности мелиорируемых участков используется индекс LSWI (Land Surface Water Index). Однако в п. 12.6 этого нормативного документа указано, что оценка увлажненности территории возможна и с помощью других индексов в зависимости от характера решаемой задачи. В нормативном документе с помощью LSWI предлагается решать задачу мониторинга одного из показателей мелиоративного состояния земель. В приложении «Е» к ГОСТ Р 70611-2022 для решения задач по назначению сроков полива рекомендуется использовать индекс NDMI (Normalized Difference Moisture (Water) Index) для оценки уровня водного стресса сельскохозяйственных культур [8].
Для расчета NDMI используют два спектральных канала: в ближнем (NIR, 0,86 мкм) и коротковолновом инфракрасном (SWIR, 1,24 мкм) диапазонах [9]. Колебание значений этого индекса наиболее чувствительно при изменении содержания воды в зеленой массе. В тоже время этот индекс лишен недостатков NDVI, связанных с влиянием атмосферных эффектов на амплитуду статистических показателей.
В ряде работ индекс NDMI используется для дешифрирования орошаемых участков. Авторы данного исследования на опытных участках в Московской области изучали проблемы интерпретации данных индекса влажности на кульутрах картофеля (Solanum tuberosum L.) и столовой свеклы (Beta vulgaris L.) [10]. В работе [11] для характеристики значений индекса NDMI дополнительно был разработан индекс чувствительности к водному стрессу, который учитывался на разных фенологических фазах развития культуры.
В тоже время в ряде исследований отмечается высокая достоверная корреляция между NDVI и NDMI. В исследовании [12] используются методы машинного обучения для выявления зависимостей между вегетационными индексами. Указывается на выраженное влияние развития вегетационной массы на влагосодержание в посевах. С этой целью выстраиваются модели контролируемой классификации с учетом различных параметров, в том числе индексов NDVI, NDMI, NDWI (нормализованного разностного водного индекса), параметров транспирации и др. В работе [13] указывается на необходимость совместного рассмотрения индексов NDVI и NDMI при мониторинге орошаемых культур. Также отмечается, что в регионах с высокими коэффициентами природного увлажнения индекс NDMI может давать ложные результаты при картировании орошаемых участков. Поэтому для выявления спектральных маркеров орошаемых участков важно рассматривать значения этих двух индексов совместно. Необходимо отметить, что поскольку индекс NDMI является вегетационным, он указывает не на влажность почвы, а на уровень обеспеченности растительного покрова влагой (водный стресс).
Цель настоящей работы заключалась в оценке наличия статистически значимых признаков NDMI-маркеров орошаемых участков.
Материалы и методы исследования. Объект исследования расположен в Городищенском районе Новонадеждинского сельского поселения Волгоградской области. Представляет собой массив системы капельного орошения общей площадью примерно 120 га, состоящий из 11 участков, на которых в 2024 году выращивали культуру столовой моркови (Daucus carota). Насосной станцией по магистральному трубопроводу (МТ) подается оросительная вода из Городищенского канала. На трубопроводе расположены 13 гидрантов в поливные участки. Общий период наблюдений покрывает даты с 1 апреля по 22 ноября 2024 года. Орошаемый массив расположен в агроклиматическом районе IIIб, характеризующимся как резко засушливый. Для оценки погодных факторов использовались данные наблюдений ближайшей к земельным участкам метеорологической станции Росгидромета (WMO 34561).
За анализируемый период были подготовлены исходные спектральные спутниковые снимки в красном, ближнем и коротковолновом инфракрасном каналах, а также в диапазоне «true color». По признаку отсутствующей облачности, мешающей исследованию, выбраны 39 дат. В геоинформационной системе SagaGIS выполнены растровые расчеты спектральных нормализованных разностных вегетационных NDVI и влажностных NDMI индексов с последующей векторизацией. Границами полигонов являются границы участков, сами полигоны состоят из субполигонов, размер которых определяется размером пикселя исходного растрового слоя спектрального индекса. Среднее число субполигонов внутри полигона составляет около 40 тыс. единиц. Для наглядности выполнена классификация векторных слоев с помощью цветовых шкал. Таким образом получены две хронологические дата-группы искомых спектральных индексов (рисунок 1). Для статистического анализа этих данных подготовлены 78 математических выборок атрибутивной информации, каждая из которых в среднем состоит из 40 тыс. значений NDVI и NDMI, получены сводные статические параметры, в том числе медианы и ее ошибки при уровне надежности 95%.
Рисунок 1 – Хронологические дата-группы медианных значений спектральных индексов NDVI и NDMI
Результаты исследования и их обсуждение. Агроклиматическая ситуация периода наблюдений охарактеризована гидротермическим коэффициентом увлажнения Селянинова (ГТК), отражающего уровень влагообеспеченности территории. ГТК отражает соотношение осадков за вегетационный период к температуре, расчет выполнен в суточном разрезе. Медианная часть ГТК за период наблюдения составила 0,13 и сосредоточена в нуждающейся в орошении зоне (ГТК = 0…0,5). Стоит отметить, что уровень статистической значимости значений ГТК составил p = 0,34 и хотя и является очень низким, но отражает стохастическую природу неравномерности выпадения атмосферных осадков. Термическая обстановка в дневные часы в напряженные моменты вегетационного периода характеризуется высокими значениями температуры, достигающей 30…40 ºС. Минимальная температура за вегетационный период составила 14,8 ºС, максимальная – 31,5 ºС., медианная температура – 24,4±0,4 ºС. Минимальное количество осадков за вегетационный период составило 0,1 мм, максимальное 19,3 мм, медианное значение – 1,35±0,2 мм. В таких условиях рентабельное земледелие невозможно без проведения вегетационных поливов.
Сводные статистические параметры NDVI и NDMI позволяют выполнить дифференцированный анализ для каждого участка и оценить дешифровочные признаки, которые могут являться маркерами орошения. Статистическая достоверность выборок подтверждается высокими уровнями статистической значимости полученных математических ожиданий, характеризующих каждый участок в отдельные хронологические сроки наблюдений: для NDVI и NDMI статистическая значимость соответственно составляет p = 0,0002…0,002 и p = 0,0001…0,003. Статистические признаки вегетационных поливов отмечаются на всех участках, кроме 1. В качестве примера далее в данной работе приведен результат анализа спектральных индексов NDVI и NDMI участка 2 (рисунки 3, 4), на котором имеются NDMI-маркеры только вегетационных поливов. Аналогичные результаты получены для всех участков. Необходимо отметить, что NDMI постепенно возрастает от 0,2 до 0,48, NDVI – от 0,33 до 0,91. В отдельные периоды вегетации, когда накануне выпадали атмосферные осадки наблюдается кратковременный локальный рост значений NDMI от практически 0 до 0,2...0,25. Визуальные признаки поливов по снимкам «true color» наблюдаются весь период вегетации и отсутствуют на поздних этапах развития культуры, когда наблюдается полное смыкание рядов посевов. Резкое снижение индекса NDMI и NDVI после 10 октября связано с уборкой к этому времени большей части урожая столовой моркови (рисунок 3).
Рисунок 2 – Анализ спектральных индексов NDVI и NDMI: – дни выпадения осадков;
– признаки поливов по снимкам «true color» в период наблюдений.
Заключение
В работе приведен пример анализа спектральных снимков для выявления NDMI-маркеров орошаемых участков. Показано, что для посевов столовой моркови (Daucus carota) статистически значимыми (уровень значимости p = 0,0001…0,003) для картографирования орошаемых участков являются значения индекса NDMI на уровне 0,4…0,48. Для этих значений NDMI характерны значения NDVI на уровне 0,97…0,91 (p = 0,0002…0,002). В задачи исследования не входил анализ статистической связи искомых индексов с метеорологическими параметрами. Однако наблюдения на объекте исследования показали, что крайне важно сопоставлять значения NDVI и NDMI с данными о количестве выпавших дождевых осадков накануне даты оценки индексов. Коэффициенты корреляции r между рядами NDVI и NDMI за весь период наблюдений свидетельствуют об очень тесной связи (r = 0,93), за период вегетации Daucus carota связь сильная (r = 0,86), в период статистически значимых признаков факта орошения связь также сильная (r = 0,83). Качество выводов о данных индекса влажности NDMI повышается при совместном их рассмотрении с индексом NDVI. Оба индекса дополняют информацию друг о друге.
1. Remote Sensing in Agriculture – Accomplishments, Limitations, and Opportunities / S. Khanal, K. KC, J.P. Fulton, S. Shearer, E. Ozkan //Remote Sens. 2020, vol. 12, 3783. DOI:https://doi.org/10.3390/rs12223783.
2. Смелова С.С. К вопросу о ретроспективном картографировании прибрежно–водной растительности мелиоративных водоемов //Экология и строительство. 2025. № 2. С. 14–23. DOI:https://doi.org/10.35688/2413-8452-2025-02–002. EDN: https://elibrary.ru/OZOUSQ.
3. Спектральная отражательная способность почв Мильской cтепи Азербайджана в зависимости от их химических и физических свойств / С.А. Кочарли, М.Г. Мустафаев, Э.М. Ахмедзаде [и др.] //Экология и строительство. 2025. № 1. С. 4–11. DOI:https://doi.org/10.35688/2413-8452-2025-01-001. EDN: https://elibrary.ru/VWMAYW.
4. Брыль С.В., Беденко А.Е. Оценка коэффициента земельного использования методами дистанционного зондирования на мелиоративной системе Московской области // Экология и строительство. 2024. № 1. С. 35–42. DOI:https://doi.org/10.35688/2413-8452-2024-01-005. EDN: https://elibrary.ru/DDWTGB.
5. Irrigation in the Earth system / S. McDermid, M. Nocco, P. Lawston-Parker et al. // Nat Rev Earth Environ, 2023, vol. 4, P. 435–453. DOI:https://doi.org/10.1038/s43017-023-00438-5.
6. Ольгаренко Г.В. Анализ влияния агроэкологического качества технологий орошения на эффективность водопользования //Экология и строительство. 2025. № 4. DOI:https://doi.org/10.35688/2413-8452-2025-04-001.
7. Ольгаренко Г.В., Капустина Т.А. Анализ и интегральная оценка технико-экологического состояния мелиоративного комплекса Российской Федерации // Экология и строительство. 2024. № 4. С. 43–51. DOIhttps://doi.org/10.35688/2413-8452-2024-04-006. EDN: https://elibrary.ru/AVMKQA.
8. ГОСТ Р 70611–2022 «Мелиорация земель. Методика оценки дистанционными методами технического и экологического состояния» [Электронный ресурс]. URL: https://base.garant.ru/406681663/(Дата обращения 10.03.2025).
9. Gao B. NDWI-A normalized difference water index for remote sensing of vegetation liquid water from space // Remote Sensing of Environment. 1996. Vol. 58. No. 3. Pp. 257–266. DOI:https://doi.org/10.1016/S0034-4257(96)00067-3.
10. Анализ индекса NDMI при дешифрировании спутниковых снимков орошаемых земель / М.С. Зверьков, С.С. Смелова, С.В. Брыль [и др.] // Мелиорация и водное хозяйство. 2025. № 3. С. 33–36. DOI:https://doi.org/10.32962/0235-2524-2025-3-33-36. EDN:YYTTDW.
11. Translating open-source remote sensing data to crop water productivity improvement actions / Abdur Rahim Safi, Poolad Karimi, et. al. // Agricultural Water Management, 2022, vol. 261. DOI:107373https://doi.org/10.1016/j.agwat.2021.107373.
12. Generating high-precision farmland irrigation pattern maps using emotely sensed ecological indices and machine learning algorithms / Yuqi Liu, Yang Wang, et. al. // Agricultural Water Management. 2025, vol. 308. DOI: 10930https://doi.org/10.1016/j.agwat.2025.109302.
13. Зверьков М.С., Смелова С.С. Анализ состояния орошаемых культур по данным дистанционного зондирования Земли с использованием спектрального индекса NDVI // Экология и строительство. 2024. № 1. C.24–34. DOI:https://doi.org/10.35688/2413-8452-2024-01-004.
