Поиск
Найти:
Подписка/отписка
на рассылку новостей
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 4. С. 195-203

Получение временных рядов LAI сельскохозяйственных культур для прогнозирования урожайности

Е.В. Федотова 1, 2 , Ю.А. Маглинец 1 , Р.В. Брежнев 1 , А.Г. Вырвинский 1 
1 Сибирский федеральный университет, Красноярск, Россия
2 Институт леса им. В. Н. Сукачева СО РАН Красноярского научного центра СО РАН, Красноярск, Россия
Одобрена к печати: 05.08.2020
DOI: 10.21046/2070-7401-2020-17-4-195-203
Оценка биопродуктивности растительности и прогнозирование урожайности сельскохозяйственных культур эффективно проводятся с использованием имитационных моделей роста растений. Для расчёта величины надземной биомассы в этих моделях применяется индекс листовой поверхности LAI. В сервисе агромониторинга Института космических и информационных технологий Сибирского федерального университета разрабатывается компонент прогнозирования урожайности с использованием имеющихся в базе данных системы карт полей с указанием культур и данных дистанционного зондирования Земли в свободном доступе. В настоящей работе предлагается подход к решению задачи получения временного ряда LAI в течение вегетационного периода для сельскохозяйственных объектов. Используются данные среднего разрешения Landsat-8 OLI и Sentinel-2. Эти данные имеют ограничения по временному разрешению. Использование ежедневных данных MODIS невозможно из-за их низкого пространственного разрешения с учётом типичного размера сельскохозяйственных полей центральной части Красноярского края. Рассмотрены алгоритмы слияния изображений низкого и среднего пространственного разрешения для получения индекса NDVI с необходимой частотой в случае отсутствия данных среднего разрешения. Построение NDVI по данным из разных систем зондирования для оценки LAI потребовало введения аддитивных коэффициентов для выравнивания ряда с использованием в качестве базового значения данных сервиса ВЕГА-PRO. Применена модель расчёта LAI по NDVI в линейно-экспоненциальной форме. Разработанный подход позволяет проводить оценку LAI с частотой, необходимой для работы прогнозной модели оценки урожайности.
Ключевые слова: LAI, NDVI, Landsat-8 OLI, Sentinel-2, слияние данных разного пространственного разрешения, прогнозирование урожайности, Красноярский край
Полный текст

Список литературы:

  1. Ботвич И. Ю., Емельянов Д. В., Ларько А. А.,  Мальчиков Н. О., Ивченко В. К., Демьяненко Т. Н., Шевырногов А. П. Оценка пространственного распределения урожайности ярового ячменя (Красноярский край) по наземным и спутниковым спектрофотометрическим данным // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 5. С. 183–193.
  2. Брыксин В. М. Прогнозирование урожайности зерновых культур на основе данных дистанционного зондирования и моделирования биопродуктивности // Изв. Алтайского гос. ун-та. 2010. № 1. С. 89–93.
  3. Евтюшкин А. В., Брыксин В. М., Рычкова Н. В., Хворова Л. А. Верификация модифицированной модели биопродуктивности EPIC // Вестн. Балтийского федер. ун-та им. И. Канта. 2014. № 4. С. 121–126.
  4. Ерошенко Ф. В., Барталев С. А., Сторчак И. Г., Плотников Д. Е. Возможности дистанционной оценки урожайности озимой пшеницы на основе вегетационного индекса фотосинтетического потенциала // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 4. С. 99–112.
  5. Лупян Е. А., Барталев С. А. Современные возможности и тенденции развития информационных систем дистанционного мониторинга сельскохозяйственных земель и посевов // Применение средств дистанционного зондирования Земли в сельском хозяйстве: материалы 2-й Всероссийской научной конф. с международным участием. Санкт-Петербург. 26–28 сент. 2018. СПб.: ФГБНУ АФИ, 2018. С. 11–19.
  6. Лысенко С. А. Прогнозирование урожайности сельскохозяйственных культур на основе спутникового мониторинга динамики углерода в наземных экосистемах // Исслед. Земли из космоса. 2019. № 4. С. 48–59.
  7. Савин И. Ю., Барталев С. А., Лупян Е. А., Толпин В. А., Хвостиков С. А. Прогнозирование урожайности сельскохозяйственных культур на основе спутниковых данных: возможности и перспективы // Современные проблемы дистанционного зондирования Земли из космоса. 2010. Т. 7. № 3. С. 275–285.
  8. Хворова Л. А., Топаж А. Г. Построение моделей агроэкосистем и их адаптация к конкретным условиям // Научно-техн. ведомости Санкт-Петербургского гос. политехн. ун-та. Информатика, телекоммуникации и управление. 2011. № 1. С. 99–105.
  9. Шабанов Н. В., Барталев С. А., Ерошенко Ф. В., Плотников Д. Е. Развитие возможностей дистанционной оценки индекса листовой поверхности по данным MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 4. С. 166–178.
  10. Biftu G. F., Gan T. Y. Semi-distributed, physically based, hydrologic modeling of the Paddle River basin, Alberta, using remotely sensed data // J. Hydrology. 2001. V. 244. P. 137–156.
  11. Brezhnev R. V., Maglinets Yu. A. Recognition of the Inhomogeneous Structure of Agricultural Object for Solving Agromonitoring Tasks // CEUR Workshop Proc. 2017. V. 2033. P. 247–251.
  12. Chen S., Wang W., Liang H. Evaluating the effectiveness of fusing remote sensing images with significantly different spatial resolutions for thematic map production // Physics and Chemistry of the Earth, Parts A/B/C. 2019. V. 110. P. 71–80.
  13. Hassan M. A., Yang M., Rasheed A., Jin X., Xia X., Xiao Y., He Z. Time-Series Multispectral Indices from Unmanned Aerial Vehicle Imagery Reveal Senescence Rate in Bread Wheat // Remote Sensing. 2018. V. 10. Iss. 6. Art. 809. 19 p.
  14. Huang J., Tian L., Liang S., Ma H., Becker-Reshef I., Huang Y., Su W., Zhang X., Zhu D., Wu W. Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model // Agricultural and Forest Meteorology. 2015. V. 204. P. 106–121.
  15. Li S., Kang X., Fang L., Hu J., Yin H. Pixel-level image fusion: A survey of the state of the art // Information Fusion. 2017. V. 33. P. 100–112.
  16. Loprestia M. F., Di Bellab C. M., Degioanni A. J. Relationship between MODIS-NDVI data and wheatyield: A case study in Northern Buenos Airesprovince, Argentina // Information Processing in Agriculture. 2015. V. 2. P. 73–84.
  17. Sang‐Il N., Suk Young H., Yi‐Hyun K., Kyoung‐Do L., So‐Young J. Estimating Leaf Area Index of Paddy Rice from RapidEye Imagery to Assess Evapotranspiration in Korean Paddy Fields // Korean J. Soil Science and Fertilizer. 2013. V. 46. Iss. 4. P. 245–252.
  18. Schmidt M., Lucas R., Bunting P., Verbesselt J., Armston J. Multi-resolution time series imagery for forest disturbance and regrowth monitoring in Queensland, Australia // Remote Sensing of Environment. 2015. V. 158. P. 156–168.
  19. Williams J. R. The Erosion-Productivity Impact Calculator (EPIC): Technical Reference / US Department of Agriculture. 1997. 235 p.