Применение космоснимков для проведения подкормок

Размещено на http://www.allbest.ru/

Применение космоснимков для проведения подкормок



Оглавление

Введение

1. Особенности использования данных дистанционного зондирования Земли для определения состояния растительного покрова

2. Основные этапы и виды обработки ДЗЗ

2.1 Применение данных ДЗЗ для мониторинга состоянии РП, картирования неоднородностей и экспресс-анализа агрохимического состояния РП и почв

2.2 Методы моделирования содержания азота в РП и гумуса почве



Введение

Сегодня производители зерна поставлены в такие условия, когда вносимые дозы удобрений должны быть экономически оправданы и максимально окупаться прибавкой урожая при одновременном снижении агроэкологической нагрузки на поля. Своевременное и направленное воздействие на ход формирования урожая зерна возможно только на основании данных точной диагностики питания растений. Недостаток основных элементов питания восполняется с учетом планируемой урожайности и состояния каждого поля в отдельности. Дозы фосфора и калия обычно вносят под основную обработку почвы и при посеве в полных объемах. Азот применяют в несколько этапов - под основную обработку почвы (рано весной) и в виде подкормки в фазы кущения, трубкования, колошения и формирования зерна. Традиционно используемые в сельском хозяйстве методы листовой диагностики трудоёмки и требуют значительных финансовых затрат. В этой связи перспективными для растениеводства являются методы, основанные на регистрации оптических характеристик отраженной от листьев солнечной радиации с использованием космических съемок (данных дистанционного зондирования Земли).

Большой интерес представляют методы, основанные на комплексном использовании результатов полевой диагностики содержания азота в РП, например, с помощью обычного N-тестера и данных дистанционного зондирования Земли (ДЗЗ). Также важное значение имеет применение данных ДЗЗ для регулярного мониторинга состояния сельхозугодий, своевременного выявления и картирования участков полей, пораженных вредителями и болезнями, выявления и картирования «неоднородностей», обусловленных дефицитом питательных веществ в почве и т.д. В результате на основании карт «неоднородностей», могут быть получены карты-задания для дифференцированного внесения удобрений, гербицидов и пестицидов.

Использование данных дистанционного зондирования Земли в сельском хозяйстве представляет собой быстро развивающееся и перспективное инновационное направление.

Цель работы заключается в разработке научно-методологических основ для дифференцированного внесения удобрений на основе оптических характеристик открытой почвы и РП посевов озимой пшеницы.

Для достижения цели были поставлены следующие задачи:

1. Разработка математических моделей и моделирование содержания азота в верхнем листовом покрове озимых культур с использованием данных ДЗЗ и выборочных наземных измерений с применением N-тестера.

2. Определение основных факторов, влияющих на точность и адекватность математических моделей.

3. Создание карт «неоднородностей» растительного покрова для проведения экспресс-анализа агрохимического состояния РП и почв.

4. Создание карт-заданий для дифференцированной обработки РП и почв.



1. Особенности использования данных дистанционного зондирования Земли для определения состояния растительного покрова

Космическая съемка выполняется в нескольких частотных диапазонах солнечного излучения - от видимого до инфракрасного и теплового. Это связано с различиями в отражательной способности различных объектов на поверхности Земли. Так как отражательные свойства зеленой растительности в инфракрасной области гораздо выше чем в видимой, практически все современные спутники ДЗЗ осуществляют съемку в видимой и ближней инфракрасной (NIR) областях спектра, а некоторые - в средней (SWIR) и даже длинноволновой (LWIR) области спектра [1,2].

Рисунок 1 - Отражательные свойства растительности и почв в видимой (1-3), ближней (4) и средней (5-7) инфракрасной области спектра солнечного излучения

Важнейшими характеристиками оптической системы любого спутника ДЗЗ являются полоса обзора, радиометрическое и геометрическое разрешение. Полученное изображение, которое обычно называют «растром», состоит из отдельных элементов квадратной или прямоугольной формы - пикселей. Если два объекта на поверхности земли находятся на расстоянии меньше пространственного разрешения оптической системы, то их изображения сольются. Например, разрешению в 1м, должно соответствовать не менее 10 пикселей, тогда мы можем рассмотреть основные детали изображения.

С точки зрения пространственного разрешения космические снимки делятся на 4 класса: низкого разрешения - более 250 м/пиксель, среднего разрешения - (10 -250) м/пиксель, высокого разрешения - (1-10) м/пиксель и сверхвысокого разрешения - менее 1 м/пиксель. Очень важной характеристикой является периодичность съемки. Орбиты спутников ДЗЗ организованы так, что над одной и той же точкой поверхности Земли они пролетают всегда в одно и тоже время (солнечно-синхронная орбита), но периодичность у разных спутников разная, у некоторых одни сутки, других -3 и более.

Главной особенностью зондирования в оптическом и примыкающем инфракрасном диапазонах является влияние атмосферы, например, наличие облачности, закрывающей интересующие объекты. Но и при отсутствии облачности, атмосфера ослабляет световой поток, особенно в полосах поглощения составляющих её газов. Поэтому космическая съемка выполняется обычно в «окнах» прозрачности атмосферы и при уровне облачности не выше 15-25 %.

Взаимодействие солнечного излучения с таким объектом как растительный покров имеет достаточно сложный характер. Поскольку, при этом, можно выделить не только отраженный, но и поглощенный и прошедший через растительный слой потоки солнечной энергии, то объектом исследования является скорее система «почва-растительность». Согласно современным представлениям, свойства солнечного излучения, отраженного от такой системы, определяются, в основном, пятью факторами:

- оптическими свойствами листьев и других фитоэлементов, которые изменяются в течение вегетационного периода и существенным образом зависят от параметров окружающей среды;

- структурой (архитектоникой) растительной поверхности, которая является специфичным фактором и также вариабельна во времени (густота стояния растений, площадь листовой поверхности, преимущественная ориентация листьев, степень проективного покрытия почвы растениями);

- отражательной способностью почвы, которая зависит от типа почвы (гранулометрический состав, содержание гумуса), ее влажности, наличия на поверхности почвы мульчирующего слоя (растительных остатков), степени и вида обработки (для сельскохозяйственных земель) и других факторов;

- условиями съемки, такими, как: длина оптического пути (высота съемки, надирная или боковая съемка), соотношение прямой и рассеянной радиации, азимут визирования по Солнцу, направление рядков (для культурной растительности);

- состоянием атмосферы, которое определяет характер поглощения и рассеяния излучения (зоны прозрачности атмосферы).

Каждый из указанных факторов оказывает влияние на ту или иную характеристику отраженного от системы «почва-растительность» светового потока. Так, отражение от фитоэлементов и от почвы, обусловливает спектральное распределение интенсивности отраженного сигнала, а архитектоника и условия освещения - пространственное.

Следует отметить, что изменения параметров отражения растительности, вызванные различными факторами (недостатком или избытком элементов питания, засоренностью почвы, водным дефицитом или заболеванием растений), зачастую имеют сходный характер. Это усложняет задачу идентификации типа стресса только на основе спектральных измерений и требует проведения на участках съемок дополнительных ботанических, биофизических и биохимических исследований.

Для успешного использования в с/х, ДЗЗ должны удовлетворять следующим условиям:

- возможность оперативного получения данных ДЗЗ в течение 1-2 суток с момента съемки.

Сегодня это требование реализуемо при заказе срочной съемки;

- возможность осуществления съемок с периодичностью 3-15 дней и пространственным разрешением не хуже 30 м.

Это не всегда достижимое для оптической съемки требование;

- высокое спектральное разрешение (порядка 10-20 нм) для обеспечения точности определения биофизических параметров растительного покрова (гиперспектральная съемка).

Из-за высокой стоимости и малого количества гиперспектральных съемок, это требование практически не реализуемое;

- низкий уровень облачности.

Для Кубани в течении большей части года вполне реализуемо.

Суммарно, всем этим требованиям в наибольшей степени сегодня соответствуют данные следующих зарубежных космических аппаратов ( КА): RapidEye, DMC, Spot 5/6, и Pleiades 1/2. Однако, постоянно растущая популярность этих спутников ограничивает возможность использования их снимков, особенно при минимальных объемах заказа. Также значительный интерес сегодня представляют данные ДЗЗ с недавно запущенных отечественных спутников Канопус-В и Ресурс-П (после сдачи их в коммерческую эксплуатацию).

Применение ДЗЗ в растениеводстве позволяет сегодня решать следующие задачи [6,8, 9, 16-19]:

· мониторинг состояния посевов (оценка всхожести, смены фенофаз, развития и созревания культур);

· определение областей вымерзания озимых посевов, раннее выявление засухи;

· оперативное выявление ареалов угнетенного состояния сельскохозяйственных культур (от болезней, вредителей, недостатка влаги и питательных элементов);

· оценка состояния почв, выделение участков эрозии, заболачивания, засоленности и опустынивания;

· прогноз урожая;

· картографирование и инвентаризация посевных площадей;

· слежение за качеством и своевременностью проведения сельскохозяйственных работ и т.д.

На рисунке 2.3 представлена перспективная схема использования данных ДЗЗ в растениеводстве, которая состоит из нескольких этапов. В соответствии с поставленными задачами формируется (заказываются) исходные данные, которые после обработки помещаются в базу данных (БД) информационно-аналитической системы (ИАС) и используются совместно с агрономическими и метеоданным для выработки и принятия оптимальных управленческих решений на различных стадиях агропроизводства [15,22]. Для удобства работы с информацией разработаны Веб-сайт и геопортал аграрной направленности.

Рисунок - Общая схема использования данных ДЗЗ в растениеводстве.

Одним и важнейших направления использования ДЗЗ сегодня является мониторинг состояния растительности и почв, а также прогнозирование различных факторов, включая прогноз урожайности по каждому полю. Поскольку возможности методов ДЗЗ постоянно расширяются и совершенствуются, для обеспечения максимальной эффективности применения ДЗЗ в растениеводстве особое значение имеет создание и использование постоянно действующего подспутникового полигона. Наиболее эффективное применение ДЗЗ возможно в рамках «точного земледелия»[11,13,14], основными компонентами которого являются агрогеоинформационная ситема (АГРО-ГИС), система высокоточного позиционирования (СВП) и парк роботизированной сельскохозяйственной техники.



2. Основные этапы и виды обработки ДЗЗ

Предварительная обработка

Обработку данных ДЗЗ разделяют на два этапа: предварительную обработку и тематическую обработку. При этом под предварительной обработкой обычно понимают набор действий (процессов), преобразующих исходную информацию, полученную наземной станцией приема, в некоторые продукты ДЗЗ стандартных уровней обработки, пригодных для архивации и дальнейшего использования. Как правило, предварительная обработка включает в себя такие процессы, как радиометрическую коррекцию, географическую привязку и геометрическую коррекцию изображений[2].

Радиометрическая коррекция - первый этап предварительной обработки данных ДЗЗ, предназначенный для исключения искажений, вызванных разницей в чувствительности сенсоров оптической системы (матрицы ПЗС). При радиометрической коррекции также удаляются дефекты изображения, наблюдаемые как сбойные пиксели изображения, выпадающие строки, чересполосица и т.д. Пропущенные пиксели восстанавливают с помощью интерполяции с определенной погрешностью. Радиометрическая коррекция обычно выполняется поставщиком данных ДЗЗ.

Геометрическая коррекция - устранение систематических ошибок, вызванных вращением и кривизной Земли, колебанием высоты орбиты спутника, панорамными искажениями и т.д. Например, при удалении от центральной линии сканирования (если съемка ведется в надире) искажение формы и размера объектов увеличивается (см. рисунок 2.1).
Неровности рельефа вызывают те же искажения, что и кривизна поверхности, Земли, но задача устранения их сложнее, так как формы рельефа сложнее, чем форма Земли, которая близка к сфере. Поскольку космические снимки делают с большой высоты, то влияние форм рельефа незначительно, поэтому данный тип искажений учитывают лишь для холмистых и горных областей и при больших углах съемки.

Географическая привязка заключается в установлении взаимно однозначного соответствия между координатами пикселей на снимке, выбранной системой координат и картографической проекцией. Данная процедура может выполняться как поставщиком, так и пользователем данных. Если есть опорные точки с заранее известными координатами, то желательно воспользоваться ими для обеспечения более точной геопривязки. В других случаях можно привязать методом изображение к изображению. В любом случае точность геопривязки ограничивается пространственным разрешением съемочной аппаратуры (размерами пикселя).

Существуют различные уровни предварительной обработки данных ДЗЗ, нумерация и перечень которых у различных операторов ДЗЗ может отличаться. На практике чаще всего встречается следующая система уровней предварительной обработки данных:

- Уровень - 0 - необработанные первичные данные ДЗЗ;

- Уровень - 1A - данные, прошедшие радиометрическую коррекцию и калибровку;

- Уровень - 1B - радиометрически скорректированные и географически привязанные данные;

- Уровень - 2A - радиометрически и геометрически скорректированные данные, представленные в картографической проекции.

Основная часть данных ДЗЗ при этом поставляется в системе координат WGS 84, проекции UTM, с заданным (предельным) уровнем облачности и углом отклонения от надира. К сожалению, некоторые виды предварительной обработки, такие как фильтрация и изменение контраста приводят к изменению спектральных характеристик снимка, поэтому после их применения нельзя использовать многие методы тематической обработки, основанные на анализе значений спектральной яркости пикселей (классификации, арифметические преобразования каналов и др.).

В отличие от стандартных уровней обработки, процесс создания тематических продуктов уже мало зависит от типа обрабатываемых данных. Эти продукты распространяются обычно в общедоступных форматах хранения, например, GeoTIFF или одном из форматов популярных программ обработки изображений, таких как ERDAS, ENVI, PCI и др. Это объясняется тем, что такие продукты в большинстве случаев представляют собой картографически привязанные изображения и для их дальнейшего использования уже не требуется специфическая информация о модели движения космического аппарата в момент съемки, его ориентации, параметрах съемочной аппаратуры и прочей служебной информации. Единственное предъявляемое требование - чтобы формат позволял хранить параметры географической привязки растра (например, в виде описания картографической проекции). Продукты же стандартных уровней обработки обязаны содержать всю необходимую служебную информацию (метаданные), которая в дальнейшем используется для генерации продуктов более высоких уровней обработки.

Тематическая обработка

Тематические продукты можно разделить на 2 класса:

- базовые, которые могут использоваться как самостоятельно, так и в составе предметно-ориентированных (прикладных) технологий;

- прикладные технологии, ориентированные на получение конечных результатов в узко- специализированных областях.

Базовые технологии охватывают следующие основные виды обработки ДЗЗ:

- контрастирование изображения;

- пространственная фильтрация;

- ортотрансформирование;

- удаление дымки;

- автоматическая дешифрация (классификация).

Контраст изображения - это разность между максимальным и минимальным значениями яркости. Слабый контраст - наиболее распространенный дефект изображений.

Существует несколько методов повышения контраста путем цифровой обработки:

а) линейное растягивание гистограммы.

Всем значениям яркости присваиваются новые значения с целью - охватить весь возможный интервал изменения яркости (0, 255).

На весь возможный интервал изменения яркости растягивается не вся гистограмма, а ее наиболее интенсивный участок

В процессе выравнивания происходит изменение значений яркости пикселов таким образом, чтобы для каждого уровня яркости было одинаковое или близкое количество пикселов.



Пространственная фильтрация - это преобразование, которое позволяет усилить воспроизведение тех или иных объектов, подавить нежелательное вуалирование, устранить другие случайные помехи (шум). Один из самых простых способов фильтрации - преобразование в скользящем окне. При таком преобразовании пересчитываются значения яркости всех пикселов изображения. Пересчет происходит для каждого пиксела таким образом: когда данный пиксел является центральным в окне, которое "движется" по снимку, ему дается новое значение, которое является функцией от значений окружающих его в окне пикселов. Размер окна может быть, например 3х3 или 5х5 пикселов. Для всех пикселов окна исследователь устанавливает весовые коэффициенты исходя из целей дешифрирования.

Ортотрансформирование - одна из основных задач обработки космических снимков. Она выполняется в том случае, если качество геометрической коррекции и точность геопривязки исходных данных не устраивает потребителя. Ортотрансформирование позволяет устранить практически все искажения, источниками которых могут быть: рельеф местности, выбранная картографическая проекция, дисторсия объектива, ненадирная съёмка и т.д. Ортотрансформированное изображение имеет одинаковый масштаб по всему снимку и в геометрическом отношении подобен карте или плану. Измерения, проводимые по ортоизображению, соответствуют измерениям на местности.

Ортотрансформирование космических снимков обычно выполняется с помощью RPC-коэффициентов (коэффициентов полиномов рациональных функций, связывающих координаты точек местности с координатами их изображений на растре), или с помощью одних только опорных точек. Но наилучшие результаты получаются при одновременном использовании RPC-коэффициентов и опорных точек. Также, в случае ортотрансформирования большого участка поверхности горной местности, необходимо использовать ЦМР для устранения влияния рельефа на точность определения координат.

Удаление дымки. Космические снимки, как правило, в той или иной степени имеют искажения цвета, обусловленные наличием атмосферной дымки. Для многих задач наличие дымки является помехой, так как наблюдается снижение взаимной корреляции каналов в зонах наличия дымки. При отсутствии же дымки взаимная корреляция каналов видимого диапазона достаточно высока. На этом основан алгоритм создания маски дымки и коррекции яркости каналов в зоне маски.

Классификация - это компьютерное дешифрирование снимков или процесс автоматизированного разделения всех пикселов снимка на группы (классы), которые соответствуют разным объектам.

Существуют два основных типа классификации:

Классификация с обучением (управляемая);

Классификация без обучения (неуправляемая).

Классификация с обучением - это процесс, при котором происходит сравнение значения яркости каждого пиксела с эталонами, в результате, каждый пиксел относится к наиболее подходящему классу объектов.

Классификацию с обучением можно применять, если:

- заранее известно, какие объекты есть на снимке;

- на снимке имеется небольшое количество (до 30) классов;

- эти классы четко различаются на снимке;

Этапы классификации с обучением;

- определение задач обработки снимка и выбор метода классификации;

- выбор эталонных участков;

- проведение классификации и оценка качества результатов.

Основные методы управляемой классификации и их характеристики.

1. Метод спектрального угла. Данный метод дает хорошие результаты, когда нужно провести классификацию для объектов, которые имеют схожие значения яркости.

2. Метод минимального расстояния. Данный метод применяют, когда области значения яркости объектов пересекаются.

3. Метод параллелепипедов. Данный метод применяют, когда области значения яркости объектов не пересекаются.

4. Метод максимального правдоподобия. Этот метод применяют в особенно сложных случаях, когда области значений яркости разных классов в пространстве признаков перекрываются и имеют сложную (или вытянутую) форму.

5. Метод дистанции Махаланобиса. Этот метод является более точным, по сравнению со способом минимального расстояния, поскольку учитывает распределение значений яркости обучающих выборок.

6. Нейронные сети. В отличие от традиционным методов классификации, в которых каждый тематический объект стараются представить единственным классом, нейронной сети позволяют достичь более высокой детальности, например, отделить сорную растительность от культурной, один сорт от другого и т.д.

Классификации без обучения это процесс, при котором распределение пикселов изображения происходит автоматически, на основе анализа статистического распределения яркости пикселов. Следует отметить, что перед началом классификации неизвестно сколько и каких объектов имеется на снимке, а после проведения классификации необходимо дешифрирование полученных классов, то есть определить каким объектам они соответствуют.

Таким образом, классификацию без обучения применяют в случае если:

а) заранее неизвестно какие объекты есть на снимке;

б) на снимке большое количество объектов (более30) со сложными границами;

в) также можно применять, как предварительный этап перед классификацией с обучением.

Наиболее распространенный метод классификации без обучения (ISODATA) основан на кластерном анализе, заключающемся в распределении пикселей по классам (кластерам). При этом к каждому кластеру относятся пикселы, значения яркости которых наиболее близки в пространстве спектральных признаков. Кратко работу алгоритма кластерного анализа ISODATA можно описать следующим образом:

1) расчет статистических параметров распределения яркостей всех пикселов снимка в каждой спектральной зоне (минимальное, максимальное, среднее значение, стандартное отклонение);

2) все пикселы снимка делятся на n равных диапазонов ( кластеров) в пространстве спектральных признаков, для каждого из них определяется среднее значение;

3) на первой итерация кластеризации в пространстве спектральных признаков для каждого пиксела рассчитывается спектральное расстояние до средних значений, и каждый пиксел относят в определенный кластер. Таким образом, в один кластер попадают пикселы между которыми меньше расстояния в пространстве спектральных признаков;

4) расчет реальных средних значений для полученных классов;

5) следующая итерация выполняется с новыми значениями средних, уточняются границы кластеров и, при этом, число кластеров может меняться.

Процесс продолжается до тех пор, пока не будет достигнуто максимальное (заранее установленное) количество итераций или достигнут максимальный процент пикселов не изменивших свой класс во время последней итерации (этот параметр тоже задается заранее). Итеративная часть алгоритма не предусматривает регулирование количества кластеров. Поэтому сначала лучше предположить завышенное число допустимых кластеров, а в заключении суммировать излишние кластеры после окончания итеративной части алгоритма. Это можно сделать путем вычисления межкластерных расстояний и объединения тех кластеров, разделимость которых не превосходит некоторую, предварительно заданную величину.

Для завершения анализа спектральные классы должны быть преобразованы в информационные классы путем идентификации типа поверхностного покрытия земли или РП, соответствующего каждому спектральному классу. Ввиду ограниченного контроля РП со стороны исследователя неконтролируемая классификация менее эффективна чем контролируемая. Это особенно справедливо когда информационные классы лишь частично разделимы в пространстве измерений (например, два вида сельскохозяйственных культур, имеющие слабые спектральные различия). Поэтому на практике обычно происходит совмещение контролируемой и неконтролируемой классификации.

Прикладные технологии создаются, как правило, на основе базовых технологий под отдельные специфические задачи, в частности, для сельского хозяйства это: дистанционный зондирование растительный покров

- мониторинг состояния растительности и почв;

- моделирование содержания питательных веществ в почве и растительности;

- создание карт-заданий для реализации технологий точного земледелия;

- инвентаризация сельхозугодий, контроль темпов уборки урожая;

- прогнозирование урожайности и т.д.

В каждой прикладной технологии имеются свои особенности, требования к исходным данным и результатам обработки. В следующем разделе данного отчета будут подробно рассмотрены разработанные нами прикладные технологии применительно к основным задачам точного земледелия.

2.1 Применение данных ДЗЗ для мониторинга состоянии РП, картирования неоднородностей и экспресс-анализа агрохимического состояния РП и почв

Наиболее распространенный метод мониторинга сельхозугодий состоит в использовании различных индексов, в особенности, нормализованного индекса вегетации[21]:

NDVI = (NIR-RED)/(NIR+RED)

Применение не простого отношения, а нормализованной разности между спектральными яркостями каналов позволяет уменьшить негативное влияние таких явлений как различия в освещенности снимка, облачности, дымки, поглощение радиации атмосферой и пр.

Высокая фотосинтетическая активность растительности ведет к меньшему отражению в красной области спектра и большему в инфракрасной. При появлении всходов и в течение вегетационного периода росту биомассы соответствует увеличение значений NDVI, а с наступлением периода созревания снижается содержание хлорофилла и, соответственно, значения NDVI. Например, при образовании колоса озимой пшеницы и его последующем наливе, его биомасса нарастает в том числе и за счёт оттока органических веществ из листьев, которые в этот период поглощают меньше солнечной энергии.

С другой стороны, снижение значений NDVI в период активной вегетации (до наступления фазы молочной спелости) свидетельствует о стрессовом состоянии посевов. Это может быть вызвано поражением посевов вследствие стихийных явлений (град, ливни, засуха), а также болезнями или вредителями. На значения NDVI влияет также видовой состав растительности, ее сомкнутость, экспозпция и угол наклона поверхности, цвет почвы под разреженной растительностью и т.д. Индекс умеренно чувствителен к изменениям почвенного фона, кроме случаев, когда густота растительного покрова не ниже 30%. Таким образом, поскольку значения NDVI зависят от множества контролируемых и не контролируемых (случайных) факторов, нельзя «присвоить» каждой культуре и ее состоянию конкретные значения индекса. Поэтому, при анализе обычно используются усредненные значения для основных классов подстилающей поверхности.

Таблица Состояние растительности в соответствии со значениями вегетационных индексов

Значение индекса NDVI	Состояние растительности
0-0,1	Открытая почва
0,1-0,2	Разреженная растительность
0,2-0,3	Угнетенное
0,3-0,4	Очень плохое
0,4-0,55	Удовлетворительное
0,55-0,7	Хорошее
0,7-1,0	Очень хорошее

Так как NDVI отражает уровень развития растительности (биомассу, содержание хлорофилла), он широко применяется для мониторинга сельскохозяйственных культур. Например, он позволяет выявить ареалы угнетенной растительности и своевременно принять меры, обеспечивающие повышение урожайности. Индексы NDVI также используется для краткосрочного (1-2 месяца) прогнозирования урожайности. Другие популярные индексы, такие как NDWI и ID отражают содержание воды в растительности и поверхностном слое почвы, а также применяется для прогнозирования засух. В настоящее время применяется около 160 вариантов вегетационных индексов. Они подбираются эмпирическим путем, исходя из особенностей кривых спектральной отражательной способности растительности и почв.

Технологию построение карт «неоднородностей» растительного покрова рассмотрим на примере снимков сверхвысокого разрешении для рисовых чеков в фазе стеблевания - колошения риса. На рисунке 2.4. (слева) представлено изображение NDVI, полученное по данным КА Ikonos c пространственным разрешением 1 м. Для автоматического картирования «неоднородностей» NDVI надо, прежде всего, определиться с целями и задачами использования результатов. При этом необходимо перейти от непрерывной (стандартной) к дискретной (неравномерной) шкале градаций индекса вегетации.

Рассмотрим случай разбиения непрерывной шкалы NDVI на 3 уровня с присвоением самому низкому уровню содержания хлорофилла - желтого цвета, среднему - светло зеленого и верхнему - темно зеленого цветов. Полученное в результате изображение (рисунок 2.4, справа) может применяться в качестве электронной карты-задания для дифференциальной обработки РП, например, азотной подкормки риса. Однако, с учетом технических возможностей реализации агротехнологий, данная карта может быть подвергнута дополнительной фильтации (генерализации [12]) для устранения мелких неоднородностей (рисунок 2.5, справа). Для картирования «неоднородностей» в данном случае использовалась следующая дискретная шкала градации, с предварительно найденным средним значением NDVI:

[ NDVI- 0.3; NDVI+ 0.3 ] - светло зеленый цвет;

[ 0; NDVI- 0.3 ] - желтый цвет;

[ NDVI+ 0.3; 1 ] - темно зеленый цвет.

Поскольку для чеков с различными сортами и фазами созревания риса неправомерно применять одно и то же значение NDVI, визуально, например по стандартному

изображению NDVI, выбираются приблизительно «однородные группы» чеков и для каждой из них вычисляется среднее значение NDVI.

При необходимости, количество градаций и шаг градаций (дискретизации, здесь он равен 0,3 ) может изменяться в зависимости от поставленной задачи и состояния РП.



Рисунок - Фрагмент изображения NDVI, полученного с использованием стандартной и дискретной (справа) шкалы градаций (КА Ikonos , 30.08.2011г.) .

Рисунок - Фрагмент исходной и «генерализованной» (справа) карты NDVI.

Для выявления «однородных групп» РП дополнительно можно использовались спектральные различия данных ДЗЗ. Например, если произвести автоматическую классификацию, то в результате совместного анализа NDVI, RGB и результатов автоматической классификации можно более точно выявить и картировать «неоднородности».

Для создания карт или картограмм распределения агрохимических показателей традиционно выполняется агрохимическое обследование полей по элементарным участкам. Картографической основой для выделения элементарных участков на полях и дальнейшего отбора почвенных проб служит, как правило, план внутрихозяйственного землеустройства. На подлежащих агрохимическому обследованию полях могут выделяться участки, различающиеся по рельефу, уровню плодородия почвы, агрохимическим показателям, установленным в предыдущие годы агрохимического обследования.

В небольших по площади хозяйствах может применяться так называемый сеточный метод отбора почвенных проб. При использовании сеточного метода поле обычно разбивают на квадратные или прямоугольные ячейки площадью от 0,5 до 2 га [17,20].

Выделение однородных участков может проводиться также на основе карт распределения продуктивности культур. Данный способ основан на автоматическом определении урожайности сельскохозяйственных культур, главным образом зерновых и кормовых, в процессе их уборки. Специальные датчики, установленные на комбайнах и регистрирующие поток зерна или другой биомассы, связанны с бортовым компьютером и системой высокоточного геопозиционирования. Рассматриваемый метод позволяет при дальнейшей обработке данных выделять участки поля, различающиеся по фактическому состоянию показателей урожайности и производить их кластеризацию на относительно однородные контуры (зоны). Далее, на основе этих данных и прогнозируемой урожайности, рассчитываются необходимые нормы внесения удобрений и создаются карты-задания для дифференцированного внесения удобрений.

Следовательно, в условиях высокой стоимости минеральных удобрений, одним из действенных средств экономии финансовых средств является дифференцированное внесение удобрений, которое позволяет существенно уменьшить количество необходимых удобрений и, рационально и экологически обоснованно, распределить их по каждому полю с учетом их пространственной неоднородности.

Дополнительная экономия средств достигается, если при зонировании вместо дорогостоящих карт урожайности, использовать их аналог, карты индекса вегетации. К тому же, при уборке зерновых одинаково откалибровать все комбайны, работающие на одном поле не очень просто.

Но главным преимуществом использования NDVI является возможность оперативного выявления всего комплекса причин, негативно влияющих на состояние посевов и своевременного принятия мер для их устранения. В частности, это касается дифференцированного внесения азотной подкормки для озимых и СЗР.

На следующем рисунке приведен пример создания таких карт по NDVI с выделением нескольких зон неоднородностей, в пределах каждой из которых могут определяться «среднезональные» показатели плодородия почв вместо «среднеполевых», как это принято в традиционном земледелии. При регулярном применении такая технология позволит поэтапно выровнять урожайность и восстановить плодородие почв при минимальных финансовых затратах. Таким образом, вместо тотального агрохимобследования почв, может использоваться зональный отбор с минимальным количеством проб в пределах каждого неоднородного поля.

Рисунок 2.6 - Выявление и картирование зон неоднородностей для проведения агрохимического анализа по данным космосъемки (КА Rapid EYE, 13.06.2010 г).



2.2 Методы моделирования содержания азота в РП и гумуса почве

Математические модели.

Своевременное и направленное воздействие на ход формирования урожая возможно только на основе точной диагностики питания растений. Оперативное определение содержания питательных элементов в растительном покрове при минимальных затратах сегодня стало возможным благодаря использованию ДЗЗ и глобальных навигационных систем. Например, для определения азота в верхнем ярусе РП достаточно произвести полевые измерения его содержания N-тестером на ограниченном количестве точек (М) и далее смоделировать его распределение на всей площади, занимаемой данной культурой. Для моделирования может использоваться линейная множественная регрессия:

Y=X*B+E

где: X - матрица значений спектральных яркостей в М- точках и К спектральных каналах;

B - вектор параметров регрессии (модели);

Y - вектор определяемых величин содержания питательных веществ;

E - вектор ошибок ( неучтенных факторов).

Параметры регрессии определяются методом наименьших квадратов [3] по данным спектральных яркостей в М-точках из условия минимума среднеквадратичной ошибки Е. Особый интерес для моделирования содержания азота в РП представляет одномерная регрессия, так как существует высокая корреляция (на уровне 0.8-0.9) между содержанием азота N, хлорофилла и величиной фитомассы, которые хорошо описываются индексом вегетации NDVI.



N=b*NDVI+d

При этом для определения координат точек отбора проб целесообразно использовать геодезические ГЛОНАСС/GPS-приемники, точность которых соизмерима и даже превышает точность геопривязки данных ДЗЗ (0.5- 5.0 м).

Потребность в азотном удобрении никогда не бывает постоянной. Она может значительно изменяться из года в год на каждом отдельном участке поля. Из показаний N-тестера можно точно установить оптимальную дозу азотной подкормки в определённый период вегетации растения, начиная с фазы кущения-выхода в трубку и заканчивая наливом колоса у зерновых культур.

При этом необходимо учитывать следующее:

- дробное внесение азотного удобрения в процессе вегетации позволяет гибко реагировать на принятие решения в зависимости от развития растений и погодных условий;

- дефицит серы, также как и дефицит азота, приводит к осветлению листьев РП, поэтому перед использованием N-тестера необходимо проверить обеспеченность серой. Рекомендуется потребность в сере покрывать уже при первой дозе внесения азотных удобрений, так чтобы до второй и третей дозы ликвидировать полностью дефицит серы.

- дефицит других питательных веществ на показания N-тестера заметного влияния не оказывает. Так же N-тестер не может показать запасы азота в почве, которые растения не могут использовать при длительной засухи;

- не рекомендуется проводить измерения N-тестером при продолжающейся засухе. Визуально можно определить засуху по начальному увяданию растения и скручивающимся листьям.

Для оценки содержания гумуса в верхнем пахотном слое почвы также могут быть использованы данные ДЗЗ в сочетании с выборочным отбором почв. По сравнению с традиционными методами агрохимобследования, основное преимущество методов математического моделирования состоит в существенно более низкой стоимости работ и более высокой детальности описания пространственного изменения концентрации гумуса в пределах каждого поля. Предпосылкой использования ДЗЗ является экспериментально установленная связь спектральной отражательной способности с концентрацией гумуса в верхнем слое воздушно-сухой почвы [4]. В видимой и ближней инфракрасной (ИК) областях спектра (0,4-1,2 мкм) значение коэффициента отражения хорошо коррелирует и уменьшается с ростом концентрации гумуса. Наибольшие различия значений коэффициента отражения между почвами с высокой концентрацией гумуса и его отсутствием наблюдаются в красной области спектра (0,68-0,70 мкм), сравнительно высокий контраст между ними (более 0,2-0,3) прослеживается во всем диапазоне 0,48-0,86 мкм и т.д. В общем случае коэффициенты отражения зависят от нескольких факторов. В порядке убывания значимости их можно расставить в следующем виде: поверхностная влажность; комковатость почвы; содержание окрашивающих компонентов (обычно соединений железа) и гумуса.

Для моделирования содержания гумуса в верхнем воздушно-сухом слое почвы по данным ДЗЗ так же могут использоваться одномерные и множественные, линейные и нелинейные регрессии [5]. Особый интерес для моделирования представляет нелинейная модель вида:

G = b* NIR/RED + d

где: G - концентрация гумуса.

С другой стороны, чем больше используется при построении регрессионных моделей спектральных каналов (при отсутствии корреляция между ними), тем более точные модели могут быть получены.

При этом следует учитывать, что уравнение регрессии является всего лишь статистическим описанием экспериментальных данных (ЭД), а не математическим законом, жестко устанавливающим взаимосвязи факторов и показателя. Это уравнение применяют для расчета значений показателя в заданном диапазоне изменения факторов. Оно ограниченно пригодно для расчета вне этого диапазона, т.е. его можно применять для решения задач интерполяции и в ограниченной степени для экстраполяции. Но главной причиной неточности «прогноза» является не столько неопределенность вида функциональной зависимости, сколько значительная вариация показателя за счет неучтенных в модели факторов. Например, при постоянстве других факторов с уменьшением размера частиц поверхность почвы становится более гладкой и отражает больше падающей солнечной радиации. Так с увеличением размера частиц (гранул) от 0.022 до 2.65 мм, поглощение солнечного излучения увеличивается на 14% (при одном и том же содержании гумуса в поверхностном слое почвы). Содержание влаги в почве также уменьшает коэффициент отражения равномерно по всему спектру солнечной радиации. Поэтому, для исключения влияния содержания влаги, съемка должна выполняться в сухое без дождей время при воздушно-сухом состоянии почвы. Более высокое содержание влаги вызывает ошибочное завышение оценки концентрации гумуса, особенно в ложбинках и низинах, где содержание влаги выше, даже в сухое время года. Естественно, на поле должна отсутствовать всякая растительность или ее прошлогодние остатки.

Таким образом, для проведения съемки с целью моделирования содержания гумуса в пахотном слое почвы поле должно удовлетворять следующим условиям[4]: - воздушно-сухое состояние почвы, отсутствие корки; - размер гранул (комковатость) почвы не более двух см.; - отсутствие зеленой или сухой растительности; - отсутствие окрашивающих элементов в почве, таких как соединения железа и т.п.

Другой важный фактор, влияющий на точность рассмотренных выше моделей обусловлен точностью геопозиционирования (с использованием простейших ГЛОНАСС/GPS-приемников точность составляет 5-10 м ), геопривязки снимка к местности (1-2 пиксела) и пространственным разрешением спутниковой съемки (размера пиксела). Существенно снизить негативное влияние перечисленных факторов возможно при использовании СВТ, набора опорных точек (ОТ) и данных ДЗЗ высокого и сверхвысокого разрешения.

Статистические характеристики и особенности математического моделирования.

Для оценки адекватности регрессионных моделей ЭД обычно используются такие статистические характеристики как коэффициент детерминации модели (R2), вероятность адекватности модели (Р), стандартная ошибка аппроксимации (D) и т.д.[5]. Коэффициент детерминации R2 определяет долю дисперсии показателя (N, G), объясненную регрессией. Чем ближе значение R2 к 1, тем выше степень адекватности модели ЭД. Обычно считается, что необходимым условием высокого качества модели являются значения коэффициента детерминации выше 0.6. Таким образом, чем они ближе значения R2 и Р к 1 тем, надежнее регрессионная модель описывает экспериментальные данные.

Основные этапы моделирования включают:

- предварительную обработку данных ДЗЗ (радиометрическую, геометрическую и атмосферную коррекцию, геопривязку космоснимков к местности в международной системе координат WGS-84 и т.д.):

- выбор вида уравнения регрессии;

- вычисление параметров регрессии (А, В1, В2,….);

- проверку адекватности полученной модели ЭД (результатам полевой диагностики и/или агрохиманализов).

Моделированию содержания азота N предшествуют 2 основных этапа:

1) предварительный агрономический анализ выбранных полей, в том числе с использованием архивных данных ДЗЗ;

2) проведение космической съемки и полевой диагностики (с использованием N-тестера) в оптимальные сроки и с высокой степенью синхронности (2-4 дня).

Моделированию гумуса G предшествуют следующие этапы:

1) подготовка (подбор) полей с требуемыми агрофизическими характеристиками и предварительный анализ выбранных полей, в том числе с использованием архивных данных ДЗЗ, для определения наиболее информативных точек отбора почв;

2) проведение космической съемки, отбор и агрохимический образцов почв на содержание гумуса, влажность и некоторых других характеристик почвы.

Моделирование доз внесения азота под заданную урожайность.

Для оперативной диагностики потребности растений в азотном питании в настоящее время используют N-тестер, который на Кубани впервые был испытан еще в 1999-2000 гг.

При этом были разработаны поправочные коэффициенты к 20-ти кубанским сортам озимой пшеницы, а так же рекомендован расчет доз внесения азота по показаниям приборa под заданную урожайность[19].

В таблицах № 2.3-2.6 представлены поправочные и калибровочные коэффициенты для наиболее важных фаз созревания озимых. Далее, согласно изложенной выше методики, для каждого пиксела смоделированных данных (см. формулы 2.2 - 2.3), производится пересчет из условных единиц в значения доз азота в кг д.в. для планируемой урожайности в соответствии с калибровочными коэффициентами (см. таблицы № 2.4 - 2.6).

При продаже к N-тестерам прилагается инструкция по применению с рекомендациями по дозам азотной подкормки для основных видов сельскохозяйственных культур, а также методические рекомендации для калибровки прибора по другим культурам. При этом настоятельно рекомендуется самим создавать и ежегодно обновлять калибровочные таблицы для каждой фазы развития и вида культуры. Для получения статистически достоверных результатов требуется проведение измерений не менее чем на 30 разных растениях (для одного развитого листа на каждом из них). Также рекомендуется равномерный, в пределах диагностируемого участка, выбор мест диагностики растений.

Таблица 2.3 Поправочные коэффициенты показаний N-тестера для разных сортов озимой пшеницы краснодарской селекции



Таблица 2.5

Таблица 2.6

Использование методов автоматической классификации.

Другой перспективный метод моделирования доз азотных удобрений для дифференцированного внесения основан на использовании управляемой классификации. Для реализации этого метода необходимо наличие эталонных делянок. В качестве таких делянок возможно использовать делянки многолетнего стационарного опыта на опытном поле учхоза "Кубань". Однако, учитывая их малые размеры нужны снимки высокого разрешения, поэтому разработку использования этой технологии предполагается осуществить в будущем.

Перераспределение средней дозы с учетом пространственной неоднородности полей.

Это самый простой и наименее требовательный к параметрам съемки метод. Традиционным способом с помощью N-тестер устанавливается средняя норма внесения азотных удобрений для каждого поля. Затем, на основании специальной обработки данных космосъемки, формируются карты-задания для дифференцированного внесения удобрений с учетом реального состояния растительного покрова для каждого поля. При этом возможна корректировка карт-заданий по результатам предварительного анализа с выходом в поле. Данный метод может использоваться в качестве альтернативы предыдущим методам, а также для подстраховки при срыве оптимальных сроков съемки. Суть метода сводится к линейному пересчету показаний N-тестера в дозу удобрений для каждого пиксела:

N=а*NDVI+ b

Параметры линейной зависимости а и b определяются из разброса значений NDVI индивидуально для каждого поля, а так же средней и предельно допустимой нормы внесения удобрений.

Размещено на Allbest.ru

...