Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 5. С. 129-144
Применение гиперспектральных данных дистанционного зондирования и методов геостатистики в задаче управления азотным режимом зерновых культур
В.П. Якушев
1 , О.А. Митрофанова
1 , В.М. Буре
1 , Е.П. Митрофанов
1 , А.А. Смолина
1 , Я.Б. Панкратова
1 , В.В. Якушев
2 1 Санкт-Петербургский государственный университет, Санкт-Петербург, Россия
2 Санкт-Петербургский государственный аграрный университет, Пушкин, Санкт-Петербург, Россия
Одобрена к печати: 21.07.2025
DOI: 10.21046/2070-7401-2025-22-5-129-144
Актуальность исследования обусловлена необходимостью оперативного и неразрушающего мониторинга азотного обеспечения зерновых культур для эффективного агроуправления. Современные технологии дистанционного зондирования (гиперспектральная и мультиспектральная съёмка с применением беспилотных летательных средств и спутников) предоставляют обширные данные, однако требуют разработки методов анализа для выделения информативных признаков и обоснования стратегий внесения удобрений. Цель работы заключается в разработке методических подходов к статистическому и вариограммному анализу данных по поиску информативных каналов при мульти- и гиперспектральной съёмке сельскохозяйственных посевов на примере задачи управления азотным режимом зерновых культур. Экспериментальная часть исследования проводилась на полях Ленинградской области (2022–2024). Наиболее информативными для оценки азотного статуса пшеницы оказались вегетационные индексы ChlRI (англ. Chlorophyll Reflectance Index), SIPI (англ. Structure Insensitive Pigment Index), GNDVI (англ. Green Normalized Difference Vegetation Index), NDVI761 (англ. Normalized Difference Vegetation Index 761), NDVI850 (англ. Normalized Difference Vegetation Index 850) и NDVI780 (англ. Normalized Difference Vegetation Index 780), демонстрирующие значимую корреляцию с уровнем азота. При этом подтверждена гипотеза о неэффективности спектральных методов в условиях высокой засорённости полей: корреляции между данными дистанционного зондирования и обеспеченностью азотом оказались статистически незначимыми в опыте с высокой засорённостью. Ключевым инструментом для выбора агротехнологии стал вариограммный анализ, позволяющий оценить долю случайной микрокомпоненты (ξ) в пространственной неоднородности поля. Установлено, что при ξ > 0,5 (например, ξ = 0,64 в эксперименте 2022 г.) применение дифференцированных технологий нецелесообразно из-за преобладания неуправляемой вариабельности. Для расчёта доз агрохимикатов перспективным направлением признано использование нейросетевых моделей (модификации U-Net), обеспечивающих точность до 99,96 % при комбинировании данных видимого, ближнего инфракрасного диапазонов и вегетационных индексов. Предложенная трёхэтапная методология интегрирует анализ спектральных данных, оценку пространственной неоднородности и принятие технологических решений, повышая эффективность управления азотным питанием посевов.
Ключевые слова: гиперспектральная съёмка, данные дистанционного зондирования, азотный режим, пшеница, вариограммный анализ, точное земледелие, нейросетевые технологии
Полный текстСписок литературы:
- Евстифорова А. В., Денисова А. Ю. Анализ влияния почвенных характеристик на результаты регрессионного моделирования урожайности озимой пшеницы по данным вегетационного индекса NDVI // 4-я Международ. конф. и молодеж. шк. «Информац. технологии и нанотехнологии» (ИТНТ-2018): сб. тр. Самара: Новая техника, 2018. С. 664–673.
- Митрофанова О. А., Митрофанов Е. П., Блеканов И. С., Молин А. Е. Специализированный датасет мультиспектральных аэрофотоснимков для решения задач точного земледелия с применением методов искусственного интеллекта // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 6. С. 67–79. https://doi.org/10.21046/2070-7401-2023-20-6-67-79.
- Якушев В. П., Жуковский Е. Е., Петрушин А. Ф., Якушев В. В. Вариограммный анализ пространственной неоднородности сельскохозяйственных полей для целей точного земледелия: метод. пособие. СПб: АФИ, 2010. 52 с.
- Якушев В. П., Канаш Е. В., Якушев В. В. и др. Новые возможности автоматизации процесса обнаружения внутриполевой неоднородности по гиперспектральным снимкам и оптическим критериям // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С. 24–32. https://doi.org/10.21046/2070-7401-2019-16-3-24-32.
- Якушев В. П., Буре В. М., Митрофанова О. А., Митрофанов Е. П. (2020а) К вопросу автоматизации построения вариограмм в задачах точного земледелия // Вестн. Санкт-Петербургского ун-та. Прикладная математика. Информатика. Процессы управления. 2020. Т. 16. № 2. С. 177–185. https://doi.org/10.21638/11701/spbu10.2020.209.
- Якушев В. П., Буре В. М., Митрофанова О. А. и др. (2020б) Оценка внутриполевой изменчивости посевов с помощью вариограммного анализа спутниковых данных для точного земледелия // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 2. С. 114–122. https://doi.org/10.21046/2070-7401-2020-17-2-114-122.
- Bausch W. C., Duke H. R., Iremonger C. J. Assessment of plant nitrogen in irrigated corn // Proc. 3rd Intern. Conf. Precision Agriculture. Madison, WI, USA: American Soc. of Agronomy, Crop Science Soc. of America, Soil Science Soc. of America. 1996. P. 23–32. https://doi.org/10.2134/1996.precisionagproc3.c3.
- Blekanov I., Molin A., Zhang D. et al. Monitoring of grain crops nitrogen status from uav multispectral images coupled with deep learning approaches // Computers and Electronics in Agriculture. 2023. V. 212. Article 108047. https://doi.org/10.1016/j.compag.2023.108047.
- Budzko V., Medennikov V. Mathematical modeling of evaluating the effectiveness of using RSD data in precision farming // Procedia Computer Science. 2021. V. 190. P. 122–129. https://doi.org/10.1016/j.procs.2021.06.015.
- Bure V. M., Mitrofanova O. A., Mitrofanov E. P., Petrushin A. F. Remote sensing data processing for plant production control // Stability and Control Processes. Proc. 4th Intern. Conf. Dedicated to the Memory of Professor Vladimir Zubov. Cham, 2022. P. 753–758. https://doi.org/10.1007/978-3-030-87966-2_86.
- Deepak M., Keski-Saari S., Fauch L. et al. Spectral reflectance in silver birch genotypes from three provenances in Finland // Remote Sensing. 2020. V. 12. Article 2677. https://doi.org/10.3390/rs12172677.
- Galioto F., Raggi M., Viaggi D. Assessing the potential economic viability of precision irrigation: a theoretical analysis and pilot empirical evaluation // Water. 2017. V. 9. No. 12. P. 990–1009. https://doi.org/10.3390/w9120990.
- Gitelson A. A., Kaufman Y. J., Merzlyak M. N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS // Remote sensing of Environment. 1996. V. 58. No. 3. P. 289–298. https://doi.org/10.1016/S0034-4257(96)00072-7.
- Jia M., Li W., Wang K. et al. A newly developed method to extract the optimal hyperspectral feature for monitoring leaf biomass in wheat // Computers and Electronics in Agriculture. 2019. V. 165. Article 104942. https://doi.org/10.1016/j.compag.2019.104942.
- Li J., Ge Y., Puntel L. A. et al. Integrating UAV hyperspectral data and radiative transfer model simulation to quantitatively estimate maize leaf and canopy nitrogen content // Intern. J. Applied Earth Observation and Geoinformation. 2024. V. 129. Article 103817. https://doi.org/10.1016/j.jag.2024.103817.
- Loures L., Chamizo A., Ferreira P. et al. Assessing the effectiveness of precision agriculture management systems in Mediterranean small farms // Sustainability. 2020. V. 12. Article 3765. https://doi.org/10.3390/su12093765.
- Merzlyak M. N., Solovchenko A. E., Smagin A. I., Gitelson A. A. Apple flavonols during fruit adaptation to solar radiation: spectral features and technique for non-destructive assessment // J. Plant Physiology. 2005. V. 162. Iss. 2. P. 151–160. https://doi.org/10.1016/j.jplph.2004.07.002.
- Mitrofanova O., Yakushev V., Zakharova E., Terleev V. An alternative approach to managing the nitrogen content of cereal crops // Robotics, Machinery and Engineering Technology for Precision Agriculture: Proc. 14th Intern. Scientific Conf. “INTERAGROMASH 2021”. Springer Nature Switzerland AG, 2022. P. 481–491. https://doi.org/10.1007/978-981-16-3844-2_44.
- Mizik T. How can precision farming work on a small scale? A systematic literature review // Precision Agriculture. 2023. V. 24. P. 384–406. https://doi.org/10.1007/s11119-022-09934-y.
- Munipalle V. K., Nelakuditi U. R., Kumar M. C. V. S. S., Nidamanuri R. R. Ultra-high-resolution hyperspectral imagery datasets for precision agriculture applications // Data in Brief. 2024. V. 55. Article 110649. https://doi.org/10.1016/j.dib.2024.110649.
- Nino P., D’Urso G., Vanino S. et al. Nitrogen status of durum wheat derived from Sentinel-2 satellite data in central Italy // Remote Sensing Applications: Society and Environment. 2024. V. 36. Article 101323. https://doi.org/10.1016/j.rsase.2024.101323.
- Penuelas J., Baret F., Filella I. Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance // Photosynthetica. 1995. V. 31. No. 2. P. 221–230.
- Peñuelas J., Marino G., LLusia J. et al. Photochemical reflectance index as an indirect estimator of foliar isoprenoid emissions at the ecosystem level // Nature Communications. 2013. V. 4. Article 2604. https://doi.org/10.1038/ncomms3604.
- Prasad B., Carver B. F., Stone M. L. et al. Potential use of spectral reflectance indices as a selection tool for grain yield in winter wheat under great plains conditions // Crop Science. 2007. V. 47. Iss. 4. P. 1426–1440. https://doi.org/10.2135/cropsci2006.07.0492.
- Ram B. G., Oduor P., Igathinathane C. et al. A systematic review of hyperspectral imaging in precision agriculture: Analysis of its current state and future prospects // Computers and Electronics in Agriculture. 2024. V. 222. Article 109037. https://doi.org/10.1016/j.compag.2024.109037.
- Richardson A. D., Duigan S. P., Berlyn G. P. An evaluation of noninvasive methods to estimate foliar chlorophyll content // New Phytologist. 2002. V. 153. Iss. 1. P. 185–194. https://doi.org/10.1046/j.0028-646X.2001.00289.x.
- Segarra J., Rezzouk F. Z., Aparicio N. et al. Multiscale assessment of ground, aerial and satellite spectral data for monitoring wheat grain nitrogen content // Information Processing in Agriculture. 2023. V. 10. Iss. 4. P. 504–522. https://doi.org/10.1016/j.inpa.2022.05.004.
- Sims D. A., Gamon J. A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages // Remote Sensing of Environment. 2002. V. 81. Iss. 2–3. P. 337–354. https://doi.org/10.1016/S0034-4257(02)00010-X.
- Vecchio Y., De Rosa M., Pauselli G. et al. The leading role of perception: the FACOPA model to comprehend innovation adoption // Agricultural and Food Economics. 2022. V. 10. Article 5. 19 p. https://doi.org/10.1186/s40100-022-00211-0.
- Wang J., Zhang S., Lizaga I. et al. UAS-based remote sensing for agricultural Monitoring: Current status and perspectives // Computers and Electronics in Agriculture. 2024. V. 227. Article 109501. https://doi.org/10.1016/j.compag.2024.109501.