4.2.5. Развитие автоматизированных методов обработки временных серий спутниковых данных для мониторинга сельскохозяйственного землепользования;
Выращивание озимых культур обеспечивает в России производство наиболее качественного зерна в объеме 40-45% от общего урожая зерновых. В ИКИ РАН разработан адаптивный метод распознавания всходов озимых культур в осенне-зимний период вегетации, основанный на временных сериях спутниковых данных прибора MODIS (аппараты Terra\Aqua). Метод основан на характерной особенности динамики развития озимых в осенний период и позволяет распознавать взошедшие озимые культуры, демонстрирующие устойчивый рост зеленой биомассы. Облачность и снежный покров являются мешающими факторами для работы метода, поэтому дистанционно распознать возможно только достаточно развитые на момент выпадения снега всходы. Таким образом, метод не позволяет распознать слаборазвитые всходы озимых, а также поля, занятые невзошедшими или погибшими посевами. Как правило, это приводит к значительным локальным неоднородностям результатов распознавания в зависимости от климатических факторов осенне-зимнего сезона вегетации. Так, в случае летних засух, приводящих к недостатку почвенной влаги в осенне-зимний период, посевы озимых не получают достаточного развития и их всходы не могут быть дистанционно распознаны.
Таким образом, необходимо уточнение результатов распознавания озимых на основе их дальнейшего развития в весенне-летний период. Поскольку точность весенней окончательной оценки площадей озимых не должна зависеть от климатических факторов сезона посева, то и метод уточнения не должен опираться на эти результаты, обеспечивая независимую оценку.
Для автоматических адаптивных алгоритмов, работающих на больших неоднородных территориях необходимо использовать вегетационные индексы, которые в наименьшей степени зависят от яркостных характеристик почвы. Это имеет большое значение, т.к. на начальных этапах развития возделываемой растительности вклад почвы в интегральную яркость пикселя является доминирующим. Перпендикулярный вегетационный индекс PVI удовлетворяет этим требованиям; в то же время он является адекватным показателем состояния растительного покрова, тесно коррелирующим с объемом зеленой биомассы и концентрацией хлорофилла.
Перпендикулярный вегетационный индекс PVI рассчитывается как евклидово расстояние от данной точки до линии почв в пространстве измерений КСЯ в красном и ближнем ИК спектральных диапазонах. Уравнение 
для линии почв в этом пространстве получается в ходе линейной аппроксимации экспериментальных данных о значениях КСЯ заведомо открытой почвы в различных регионах России при коэффициенте детерминации R2=0.9. Таким образом, PVI вычисляется по формуле 
.
Разработанный метод распознавания озимых в весенне-летний период вегетации обладает следующими свойствами:
- создает репрезентативную обучающую выборку;
- не использует наземной обучающей информации;
- распознавание озимых происходит методом «случайных лесов»;
- метод использует временные серии MODIS;
- является полностью автоматическим.
Особенностью метода является автоматическое создание обучающей выборки на всю зону интереса. Для инициализации выборки алгоритм предусматривает локально-адаптивную кластеризацию на два кластера изображений PVI на Южный федеральный округ. Композитное изображение соответствует периоду ранней весны вскоре после схода снежного покрова, когда высоким значениям PVI соответствуют, как правило, пиксели полей озимых культур. Инициализация выборки позволяет выделить озимые, которые всегда можно найти в ЮФО – так, за более чем 13-летний период наблюдений MODIS в южных регионах страны ни разу не было зарегистрировано полной гибели озимых после перезимовки.
Выделенные на этапе инициализации поля гарантированных озимых используются для создания локального эталона спектрально-динамических характеристик типичных озимых. Локальный эталон представляет собой динамику значений PVI типичных озимых и действует в окрестности полей, на основе которых он был создан. Похожим образом эталон создается и для полей категории «не озимые». На следующем этапе в зоне действия эталона происходит поиск полей, демонстрирующих, на основе критериев близости, динамику развития, похожую на эталон. Критериями близости являются значения корреляции и евклидова расстояния между эталоном и динамикой PVI рассматриваемого поля. Если поле удовлетворяет условиям близости, то оно попадает в выборку гарантированных озимых, при этом локальные эталоны обновляются, а зона существования эталонов расширяется, включая зону вокруг вновь добавленных в выборку полей (см. рис. 6).
Рис 6. Экспансия обучающей выборки и эволюция эталонов между итерациями. Оттенками синего показана зона действия всех эталонов, внутри зоны показаны поля, создающие эти эталоны и добавляемые в обучающую выборку
Экспансия обучающей выборки происходит на всю зону интереса, при этом обеспечивается её необходимая репрезентативность. Полученная таким образом обучающая выборка используется для распознавания полей озимых культур на основе «случайных лесов», использующих разновременные композитные изображения PVI как независимые признаки.
На основе метода были получены оценки площадей озимых в весенне-летний период вегетации за период с 2003 по 2013 годы. В таблице 1 приведены полученные различными методами площади озимых на уровне субъектов РФ для ряда регионов за несколько последовательных лет. По сумме площадей можно увидеть хорошее совпадение результатов, полученных описанным методом с данными официальной статистики и нерегулярные вариации оценок, полученных методом распознавания всходов в осенне-зимний период.
Таблица 1
Сравнение площадей озимых по данным трёх различных источников
| Административная единица |
2004 |
2005 |
2006 |
| Росстат |
Осень |
Весна |
Росстат |
Осень |
Весна |
Росстат |
Осень |
Весна |
| Ростовская область |
1404,5 |
1315,8 |
1472,6 |
1516,8 |
958,5 |
1557,7 |
1469,0 |
882,0 |
1591,5 |
| Ставропольский край |
1506,5 |
1255,4 |
1155,8 |
1652,5 |
728,3 |
1074,2 |
1647,9 |
1206,6 |
1350,2 |
| Волгоградская область |
993,2 |
1169,7 |
1170,4 |
1240,8 |
662,6 |
1529,7 |
2014,7 |
794,1 |
1358,0 |
| Краснодарский край |
1316,5 |
710,1 |
1226,4 |
1323,4 |
528,6 |
1359,7 |
1324,1 |
814,3 |
1318,1 |
| Саратовская область |
957,4 |
893,5 |
749,2 |
1085,0 |
546,9 |
1345б7 |
761,7 |
642,7 |
736,3 |
| Воронежская область |
508,4 |
546,5 |
255,8 |
539,6 |
191,4 |
539,3 |
461,8 |
437,8 |
247,5 |
| Республика Татарстан |
275,7 |
281,7 |
326,7 |
390,5 |
409,8 |
334,8 |
287,7 |
362,3 |
297,5 |
| Тамбовская область |
312,0 |
220,1 |
177,1 |
295,3 |
173,9 |
248,2 |
306,6 |
207,0 |
205,6 |
| Курская область |
294,3 |
174,7 |
152,4 |
326,9 |
43,2 |
305,4 |
217,7 |
226,9 |
176,6 |
| Пензенская область |
259,7 |
222,3 |
288,0 |
354,7 |
254,4 |
397,0 |
319,7 |
181,5 |
215,2 |
| Самарская область |
329,7 |
359,4 |
175,2 |
426,6 |
262,8 |
482,4 |
349,7 |
296,0 |
258,3 |
| Белгородская область |
283,5 |
237,0 |
184,0 |
301,5 |
55,3 |
297,8 |
220,0 |
288,6 |
156,6 |
| Липецкая область |
200,7 |
205,6 |
150,9 |
274,1 |
88,6 |
305,2 |
254,0 |
210,2 |
196,7 |
| Орловская область |
272,8 |
135,0 |
121,2 |
314,5 |
43,4 |
168,3 |
199,4 |
129,3 |
123,4 |
| Оренбургская область |
290,9 |
352,9 |
440,9 |
423,8 |
241,9 |
760,1 |
241,3 |
325,9 |
464,0 |
| Рязанская область |
178,7 |
187,0 |
140,3 |
231,0 |
139,5 |
264,0 |
180,9 |
158,6 |
201,4 |
| Ульяновская область |
147,3 |
161,8 |
139,7 |
164,7 |
155,9 |
220,0 |
141,4 |
127,1 |
97,5 |
| Республика Башкортостан |
122,9 |
230,0 |
340,1 |
292,6 |
179,0 |
268,7 |
110,7 |
219,7 |
270,9 |
| Нижегородская область |
125,6 |
101,4 |
230,0 |
172,0 |
154,2 |
357,4 |
181,8 |
131,8 |
157,6 |
Общая площадь посевов
озимых, тыс. га |
9780,3 |
8759,9 |
8896,5 |
11326,2 |
5818,0 |
11815,6 |
9700,1 |
7642,5 |
9422,8 |
Относительное
отклонение, % |
|
-10,4 |
-9,0 |
|
-48,6 |
4,3 |
|
-21,2 |
-2,9 |