Спектральные вегетационные индексы: от теории к агрономической практике

Юрий Куликов, эксперт-аналитик комплексной цифровой платформы управления агробизнесом «АгроСигнал»

В последние 10-15 лет тема дистанционного зондирования сельхозугодий приобрела немалую популярность в сообществе специалистов аграрного сектора. Сейчас, пожалуй, не осталось людей, не слышавших о таком наборе букв как «NDVI» — это по праву самый популярный инструмент, применяемый для оценки состояния посевов сельскохозяйственных культур и других видов растительности. В рамках данного обзора мы рассмотрим индекс NDVI как пример и на его основе получим общее представление о физической природе других спектральных индексов.

Основы спектральных индексов, базовые понятия и прикладное использование

Справедливости ради, нужно отметить, что на сегодняшний день существует множество вариаций спектральных индексов, которые применяются для решения различных задач, как в сельхозпроизводстве, так и в прочих отраслях, включая фундаментальные и прикладные научные исследования. В этой статье мы не ставим цель знакомство читателя с множеством спектральных индексов или погружение в их физические принципы. Тем не менее для лучшего понимания природы данного явления и последующего освещения методов прикладного использования, нужно все-таки затронуть некоторые базовые понятия, используемые для расчета значений индексов.

Чаще всего, ключом к пониманию свойств и назначения спектрального индекса является его название. NDVI — это аббревиатура из слов, переводённых на русский язык как «Нормализованный Разностный Вегетационный Индекс». Если углубляться в суть, это означает, что данный индекс характеризует свойства растительного покрова на земной поверхности, а если еще точнее — коррелирует со степенью развития зеленой биомассы. Для получения индекса NDVI используются значения интенсивности (яркости) изображения земной поверхности, получаемого в двух спектральных каналах — красном и инфракрасном. Ниже на рис.1 приведена каноническая формула расчета индекса. С помощью такой нехитрой арифметики рассчитывается карта индекса NDVI, показывающая интенсивность развития зеленой биомассы на поверхности Земли. Использование красного и инфракрасного диапазонов спектра обусловлено специфическим свойством зеленых растений поглощать красные лучи и отражать инфракрасное излучение. Именно поэтому индекс NDVI хорошо соотносится с объемом зеленой биомассы на единицу площади, принимая низкие значения (в среднем ниже 0.2) при отсутствии живой растительности на поверхности почвы и показывая высокие значения (от 0.2 до 1 – чаще до 0.9) в случае активной вегетации растений.

И NDVI, и другие спектральные индексы в большинстве случаев являются относительной характеристикой свойств земной поверхности — они показывают различия между участками местности, позволяя выявить неоднородность по какому-либо признаку: по биомассе растений, разнице во влагообеспеченности, морфологическим отличиям и т.д. Каждый спектральный индекс имеет свой математический метод расчета, использующий в различных комбинациях значения интенсивности каких-либо спектральных каналов — не только красного и инфракрасного, но и ряда других.

Где берутся данные для расчета

В качестве источников данных, для расчета спектральных индексов применяются мультиспектральные снимки, получаемые с орбитальных искусственных спутников или с атмосферных летательных аппаратов, оснащенных соответствующими фотокамерами. Среди космических аппаратов на сегодняшний день есть несколько наиболее популярных спутниковых группировок, операторами которых выступают либо государственные космические агентства, либо частные компании. Каждый аппарат снимает земную поверхность с определенной периодичностью и заданным пространственным разрешением. Для примера, можно сказать, что спутник Европейского космического агентства «Sentinel 2» снимает Землю в средних широтах каждые 2-3 дня с пространственным разрешением 10 метров на пиксель. Есть ряд коммерческих спутников, с более высоким разрешением съемки и более коротким периодом. Вопрос выбора источника снимков всегда стоит соотносить с целями и задачами пользователя, а также с географическим расположением территории сельхозпредприятия. На практике часто встречаются ситуации, когда 99% задач можно решить при использовании снимков 10 метров/пиксель и периодичности 2-3 дня. Но также бывают случаи, когда, например, из-за частой облачности или иных причин желательно получать спутниковые снимки с более коротким интервалом или вовсе использовать беспилотные атмосферные аппараты для съемки с небольшой высоты, минуя влияние облачности.

Облачный покров является, по сути, ключевой помехой при использовании данных космосъемки.

Облачный покров оказывает влияние на качество карты спектральных индексов и при сплошном покрытии зоны расположения полей облаками, делая невозможным распознавание состояния поля, и при частичном, внося помехи от самих облаков и их наземной тени. Это всегда нужно учитывать при рассмотрении и интерпретации снимка.

Важное значение имеет фактор актуальности материалов космосъемки. Независимо от периодичности съемки важную роль играет время получения информации пользователем от момента выполнения съемки космическим аппаратом. Дело в том, что готовую карту спектрального индекса нельзя получить мгновенно — «сырые» данные, передаваемые искусственным спутником с орбиты на сервер оператора, должны подвергнуться определенной обработке, которая занимает некоторое время. Именно поэтому часто имеет место небольшая задержка, когда результат съемки виден в цифровой системе сельхозпредприятия не «день в день», а спустя сутки или более после даты съемки, в зависимости от источника данных и метода расчета индекса.

Какие спектральные индексы используются для оперативной оценки ситуации на полях

В плане практической значимости спектральных индексов можно выделить два основных направления — это оперативная оценка текущей ситуации на полях и так называемый ретроспективный анализ.

Под оперативной оценкой чаще всего понимают дистанционный мониторинг текущего состояния посевов сельскохозяйственных культур, основанный на выявлении пространственных аномалий-неоднородностей внутри поля (рис. 2) или при сравнении между собой нескольких полей (рис. 3). Для такого анализа могут применяться различные индексы в последовательном сравнении или индивидуально. Выявление неоднородностей можно начинать с рассмотрения карты NDVI, которая отражает общую неоднородность биомассы. Здесь важно отметить, что NDVI реагирует на все зеленые растения, находящиеся на поле, без дифференциации по видовому составу и морфологическим признакам. Это означает, что и сорные растения, и культурные могут иметь одинаковые значения индекса при эквивалентной биомассе, что делает невозможным напрямую отличить их друг от друга посредством NDVI. Иными словами, пятно с высоким значением NDVI на поле может соответствовать как области бурного роста культуры, так и очагу распространения сорняков. И наоборот – низкое значение этого индекса соответствует и слабому развитию культуры, и отсутствию сорняков. По этой причине для выявления истинной картины часто используются дополнительные инструменты, имеющиеся на вооружении цифровой агрогеоинформационной системы:

• Можно рассмотреть показания прочих индексов для выявления взаимосвязи уровня биомассы с каким-либо фактором. Так, индексы NDWI и MSI или их аналоги могут помочь выявить влияние влагообеспеченности отдельных участков поля на развитие и физиологическое состояние растений. При этом есть ряд спектральных индексов, которые позволяют совместно с NDVI выявить причины пространственных аномалий на основе морфологических различий растений – это при больших масштабах неоднородности дает возможность отличить зоны преобладания сорных растений от массива культуры или, например, увидеть границы посевов разных сортов или гибридов одной культуры, при наличии у них значимых морфологических отличий.
• Также целесообразно проводить поиск взаимосвязей зон неравномерности с историей технологических операций на поле. Для этого используются треки сельскохозяйственной техники в привязке к показаниям датчиков (скорости, положения рабочих органов, нормы внесения и т.д.) с детализацией по рабочим сменам или времени выполнения работы. Видимая аномалия развития культуры может соответствовать границам зон работы техники с нарушением технологии или иметь простейшую взаимосвязь с временем выполнения операции на данном участке поля – например, при разных сроках сева на разных участках одного поля.

В итоге, оперативный дистанционный мониторинг чаще всего завершается наземным обследованием полей. И важнейшая роль спектральных индексов состоит в том, что они позволяют не только получать обзорную картину неравномерностей, но и дают возможность специалисту-агроному или агроскауту адресно выезжать на обследование в первую очередь тех полей и участков, где аномалии выявлены и, соответственно, присутствует более высокий риск развития негативных процессов. Причем, часто имеется возможность планировать осмотр полей с указанием координат конкретных точек, выявленных при рассмотрении карты индексов, а далее, используя специальное мобильное приложение на смартфоне или планшетном ПК (рис. 4), системно собирать результаты полевых обследований для последующего комплексного анализа.

Второе ключевое направление использования спектральных индексов — ретроспективный анализ. Он подразумевает работу по исследованию исторических данных, накапливаемых за продолжительный период времени. Вполне закономерно, что единичные снимки далеко не всегда могут достоверную отражать картину устойчивых, повторяющихся из года в год границ, зон неравномерностей на поле. Для выявления таких устойчивых границ и используется большая выборка снимков и, как следствие, карт спектральных индексов за период, доступный для наблюдений. Чаще всего для подобного анализа используется принцип композитов, когда используя специальный алгоритм, обрабатывается серия характерных снимков за разные периоды времени и «усредняются» границы зон неравномерностей. Такие карты дают представление о том, где регулярно повторяются те или иные явления — например, зоны высокой и низкой продуктивности. Впоследствии эти сведения могут использоваться для различных целей — выделения элементарных участков для отбора почвенных образцов, корреляционного сопоставления с картами почвенных характеристик, подготовки карты-задания для дифференцированного внесения. Как правило, после выявления устойчивых неравномерностей на поле переходят к поиску их причин. Влиять на появление неравномерности может множество факторов, среди которых наиболее выраженными являются:

• Рельеф поверхности и связанные с ним почвенные процессы (смыв, перенос, аккумуляция);
• Особенности строения почвенного профиля, наследуемые от материнских пород; Биологические факторы – ареалы распространения патогенных микроорганизмов или мезофауны;
• История хозяйственной деятельности, выражающаяся в истории; механической обработки почвы и применения средств химизации
• Гидрологические условия местности.

Таким образом, использование технологии дистанционного зондирования сельскохозяйственных земель на основе анализа карт спектральных индексов дает ряд новых, полезных для агрономической практики инструментов, способных повысить возможности раннего выявления рисков, а также улучшить функционирование связанных процессов, таких как дифференцированное внесение или агроскаутинг. Известна масса примеров успешного практического применения спектральных индексов среди отечественных сельхозтоваропроизводителей. Безусловно, есть ряд отличий в объеме и специфике использования технологии в том или ином предприятии — это часто напрямую связанно со специализацией предприятия и техническими возможностями.

Одни делают упор на оперативный мониторинг и планирование наземных обследований посевов, а другие — на ретроспективный анализ и внедрение технологии дифференцированного внесения. Но независимо от специфики применения спектральных индексов, в подавляющем большинстве случаев используются методы идентичные или аналогичные тем, что были описаны нами выше. Нередко отмечается синергетический эффект, когда дистанционное зондирование в совокупности с прочими элементами ранее упомянутых современных агротехнологий, основанных на цифровых решениях, дают непропорционально большую пользу, нежели их разрозненное индивидуальное применение, что в целом является закономерным и прогнозируемым явлением.