Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 6. С. 204-213
Способ выявления информативных спектральных каналов для определения уровня серы в посеве пшеницы по данным дистанционного зондирования
Д.И. Бикбулатов
1 , В.П. Якушев
1 , Я.Б. Панкратова
1 , А.Ф. Петрушин
1 , О.А. Митрофанова
1 , В.В. Якушев
2 , А.А. Федотов
3 , А.Б. Терентьев
4 1 Санкт-Петербургский государственный университет, Санкт-Петербург, Россия
2 Санкт-Петербургский государственный аграрный университет, Пушкин, Санкт-Петербург, Россия
3 Санкт-Петербургский политехнический университет Петра Великого, Санкт-Петербург, Россия
4 Всероссийский научно-исследовательский институт защиты растений, Пушкин, Санкт-Петербург, Россия
Одобрена к печати: 23.09.2025
DOI: 10.21046/2070-7401-2025-22-6-204-213
Рассматривается способ определения содержания серы в посеве яровой пшеницы по данным ДЗЗ. Описан полевой опыт, в котором заложены тестовые площадки с разным содержанием серы и отобраны растительные и почвенные образцы. В различные фенологические фазы развития растений выполнена спектральная съёмка тестовых площадок с помощью беспилотных авиационных средств, оснащённых мульти- и гиперспектральными камерами. Была проведена пороговая кластеризация на усреднённых данных гиперспектральной съёмки на основе простых отношений длин волн. Полученные данные обработаны с помощью разных статистических методов. Проанализирован значительный объём данных, включающий 127 200 оптических измерений, а также их различные отношения. Верификация результатов анализа проведена с использованием непараметрического критерия Краскела – Уоллиса и параметрического попарного критерия Стьюдента о равенстве средних, теста Шапиро – Уилка и критерия Левене. Установлен набор наиболее информативных спектральных каналов и найден способ определения уровня серы в посеве яровой пшеницы, наиболее эффективный на ранних стадиях вегетации. Показана сильная корреляция между индексом SR (англ. Simple Ratio) и NDVI (англ. Normalized Difference Vegetation Index), особенно в фазе кущения. Результаты работы могут быть использованы в точном земледелии для мониторинга питания растений и оптимизации внесения серосодержащих удобрений.
Ключевые слова: дистанционное зондирование, кластеризация данных, статистические методы, гиперспектральная съёмка, беспилотные авиационные средства, точное земледелие, сера, микроэлементы, яровая пшеница, внесение удобрений
Полный текстСписок литературы:
- Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983. 471 с.
- Аристархов А. Сера в агроэкосистемах России: мониторинг содержания в почвах и эффективность ее применения // Международ. с.-х. журн. 2016. № 5. С. 39–47.
- Буре В. М., Парилина Е. М., Седаков А. А. Методы прикладной статистики в R и Excel: учеб. для вузов. 5-е изд., стереотип. СПб.: Изд-во «Лань», 2023. 152 с.
- Савин И. Ю., Докукин П. А., Вернюк Ю. И., Жоголев А. В. О влиянии засоренности на NDVI посевов ярового ячменя, определяемый по спутниковым данным MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 3. С. 185–195. https://doi.org/10.21046/2070-7401-2017-14-3-185-195.
- Якушев В. П., Блохин Ю. И., Блохина С. Ю., Буре В. М., Канаш Е. В., Матвеенко Д. А., Митрофанов Е. П., Митрофанова О. А., Петрушин А. Ф., Якушев В. В. Теоретические основы дистанционной и наземной количественной оценки внутриполевой изменчивости для точного земледелия. СПб.: Агрофиз. научно-исслед. ин-т, 2023. 76 с.
- Hollander M., Wolfe D. A., Chicken E. Nonparametric statistical methods. 3rd ed. Canada: John Wiley and Sons, 2015. 828 p. http://doi.org/10.1002/9781119196037.
- Mahajan G. R., Sahoo R. N., Pandey R. N. et al. Using hyperspectral remote sensing techniques to monitor nitrogen, phosphorus, sulphur and potassium in wheat (Triticum aestivum L.) // Precision Agriculture. 2014. V. 15. P. 499–522. https://doi.org/10.1007/s11119-014-9348-7.
- McVeagh P., Yule I., Grafton M. Pasture yield mapping from your groundspread truck // Advanced Nutrient Management: Gains from the Past—Goals for the Future. Occasional Re-port. 2012. V. 25. P. 1–5.
- Nagy A., Fehér J., Tamás J. Wheat and maize yield forecasting for the Tisza river catchment using MODIS NDVI time series and reported crop statistics // Computers and Electronics in Agriculture. 2018. V. 151. P. 41–49. https://doi.org/10.1016/j.compag.2018.05.035.
- Rubio-Delgado J., Pérez C. J., Vega-Rodríguez M. A. Predicting leaf nitrogen content in olive trees using hyperspectral data for precision agriculture // Precision Agriculture. 2021. V. 22. P. 1–21. https://doi.org/10.1007/s11119-020-09727-1.
- Zhang Y., Wang Y., Hao H. et al. Unmanned aerial vehicle (UAV) hyperspectral imagery mining to identify new spectral indices for predicting the field-scale yield of spring maize // Sustainability. 2024. V. 16. Iss. 24. Article 10916. https://doi.org/10.3390/su162410916.