СИСТЕМА НАКОПЛЕНИЯ СПУТНИКОВЫХ ДАННЫХ LANDSAT И SENTINEL ДЛЯ СИСТЕМЫ ТОЧНОГО ЗЕМЛЕДЕЛИЯ

АННОТАЦИЯ

Рассматривается создание системы накопления спутниковых данных высокого пространственного разрешения на территорию южной части Красноярского края. Представлены технические аспекты программной реализации, структура программного обеспечения. Обсуждаются задачи использования этих данных для мониторинга динамики вегетации на сельскохозяйственных угодьях и оценки урожайности сельскохозяйственных культур. Полученные результаты позволяют формировать сезонную динамику индексов растительности, выявлять фазы развития культур и своевременно диагностировать отклонения от норм, связанные с засухой, болезнями или нехваткой ресурсов. Одной из основных проблем в решении указанных задач является нехватка качественных данных, связанная со значительной долей облачности на спутниковых снимках.

ABSTRACT

The creation of a system for collecting high-resolution satellite data over the southern part of the Krasnoyarsk Territory is under consideration. The technical aspects of software implementation and the software structure are presented. Tasks related to using these data for monitoring vegetation dynamics on agricultural land and assessing crop yields are discussed. The results obtained allow us to form the seasonal dynamics of vegetation indicators, identify crop development stages, and timely detect deviations from the norm associated with drought, diseases, or lack of resources. However, one of the main challenges in solving these problems is the lack of reliable data due to a significant proportion of cloud cover in satellite images.

Ключевые слова: данные дистанционного зондирования Земли, Sentinel, Landsat, точное земледелие, архив данных ДЗЗ, индекс растительности.

Keywords: Earth remote sensing data, Sentinel, Landsat, precision agriculture, remote sensing data archive, vegetation index.

Введение

Одним из направлений, которому уделяется повышенное внимание в последние время, является внедрение цифровых технологий в решение сельскохозяйственных задач. Точное земледелие является ключевым элементом в современном сельском хозяйстве, поскольку позволяет значительно повысить эффективность управления сельскохозяйственными процессами за счет использования данных. Эта система, основанная на внедрении цифровых технологий, включает в себя использование спутниковых снимков, беспилотных летательных аппаратов (БПЛА), датчиков на полях, а также других современных технологий для мониторинга и анализа состояния полей [1]. Одним из важных этапов точного земледелия является разработка системы сбора, хранения и обработки данных о сельскохозяйственных ресурсах, сырье, и готовой продукции. Формируемые наборы данных – это информация о почвенно-агрохимических характеристиках территории хозяйства, определении NDVI и других растительных индексов [2], качествах почвенного покрова, о произрастающих культурах и урожайности за несколько последних лет. Цифровая карта полей и собранная информация позволяют выявлять проблемные участки [3], принимать оптимальные решения по их улучшению, определять реальную потребность всходов в поливе, удобрениях и, тем самым, управлять урожайностью и эффективно использовать ресурсы. Создание геопространственных баз данных для точного земледелия помогает рационально использовать ресурсы агропроизводителей, повышает качество и количество производимого урожая.

Материалы и методы

Задача формирования системы накопления спутниковых данных высокого пространственного разрешения на территорию южной части Красноярского края на настоящем этапе была промоделирована на примере сельскохозяйственных опытно-производственные хозяйства (ОПХ), входящие в состав Федерального исследовательского центра «Красноярский научный центр СО РАН» (ФИЦ КНЦ СО РАН) – «Курагинское», «Минино» и «Михайловское» [4]. На выбранные территории были созданы цифровые карты полей на основе спутниковых снимков с высоким пространственным разрешением и съемки с БПЛА.

Для обеспечения исследований создано специализированное программное обеспечение для формирования базы данных спутниковых снимков высокого пространственного разрешения. Данные ДЗЗ высокого разрешения со спутников Sentinel-2A и Sentinel-2B (с разрешением 10 м) закачиваются с сайта программы Sentinel Европейского космического агентства (https://scihub.copernicus.eu/); данные Landsat-8 и Landsat-9 (с разрешением 30 м) закачиваются с сайта USGS (https://m2m.cr.usgs.gov/api). Закачивание данных из сети Интернет производится в автоматическом режиме пакетом программ, написанном на языке Python [рис. 1]. Для автоматизации процесса написаны программы на языке Python с использованием соответствующих программных интерфейсов (API). Программа для закачки данных со спутников Landsat основана на API, предоставляемым сайтом USGS Machine-to-Machine (M2M) [5], а для закачивания данных со спутников Sentinel – c использованием библиотеки sentinelsat (https://sentinelsat.readthedocs.io/en/ stable/index.html). Библиотека sentinelsat – это открытое API европейского космического агентства Copernicus Open Access Hub [6].

Рисунок 1. Схема работы автомата закачки данных Sentinel (1, 2, 3, 5P)

Одной из задач анализа состояния посевов на полях ОПХ является вычисление средних значений индексов растительности в границах отдельного поля и построение сезонных графиков изменчивости индексов. Для расчёта вегетационных индексов и их статистических характеристик написан пакет программ, который использует закачанные спутниковые данные. По мере наполнения архива спутниковых данных вычисляются и индексы растительности для ОПХ. Выборки данных на поля включают как пиксельные данные исходных каналов, необходимые для расчёта вегетационного индекса, так и данные, необходимые для маскирования облачности. Вегетационный индекс рассчитывается только для безоблачных пикселей поля. Затем определяются квантили распределения значений индекса растительности поля. Квантили и размер безоблачной выборки заносятся в базу данных для каждого поля и каждой даты. Количество безоблачных пикселей позволяет оценить размер выборки данных, использованный для вычисления индекса растительности. Такой набор данных и статистических характеристик значений индексов растительности позволяет быстро строить графики индексов растительности для каждого поля, оценивать их достоверность и получать статистические характеристики данных [рис. 2].

Рисунок 2. Общая схема закачки спутниковых данных и вычисления индексов растительности по данным ДЗЗ высокого разрешения

Результаты и обсуждение

По результатам работы программ закачки на территорию трех ОПХ «Курагинское», «Минино» и «Михайловское» на было закачано порядка 30 тысяч сцен данных ДЗЗ высокого разрешения. По всем закачанным сценам посчитаны статистические характеристики индексов растительности для каждого поля всех опытных хозяйств.

Разработанное программное обеспечение позволяет автоматически формировать графики с вегетационными индексами. В качестве иллюстрации ниже на рисунках 3, 4 представлены значения нескольких вегетационных индексов, рассчитанных системой для разных спутниковых данных по полю №12 ОПХ «Курагинское» за вегетационный период 2021 года.

Рисунок 3. График изменения индексов растительности по данным Sentinel-2 на поле №12 ОПХ «Курагинское» за вегетационный период 2021 г.

Рисунок 4. График изменения индексов растительности по данным Landsat-8 и 9 на поле №12 ОПХ «Курагинское» за вегетационный период 2021 г.

По тренду индекса NDVI на приведенном графике можно отследить постепенное наращивание биомассы в период с 23 мая по 4 августа 2021 года. Далее наблюдается спад значений индекса NDVI, характерный для пшеницы в период спелости культуры вплоть до момента сбора урожая. Аналогичные графики автоматически строятся для всех полей ОПХ Красноярского края. Сезонные графики вегетационных индексов на полях опытных хозяйств, построенные по спутниковым данным высокого пространственного разрешения Sentinel-2 и Landsat хорошо коррелируют между собой. Коэффициент корреляции значений NDVI по данным спутников Sentinel-2 и Landsat, построенных по значениям с облачностью менее 90% и линейно интерполированных для дат без съемки, получился равным 0.83.

Все закачанные данные высокого разрешения со спутников Sentinel и Landsat, база данных вегетационных индексов, картографический слой полей опытных хозяйств и прочие геопространственные данные объединяются в геоинформационной системе агромониторинга Красноярского края, создаваемой в ФИЦ КНЦ СО РАН.

Заключение

Создана система автоматического накопления спутниковых данных высокого пространственного разрешения на территорию южной части Красноярского края. По накапливаемым данным автоматически вычисляются статистические характеристики вегетационных индексов растительного покрова в разрезе сельскохозяйственных полей опытных хозяйств ФИЦ КНЦ СО РАН, все вычисляемые характеристики сохраняются в базе данных. Для задач точного земледелия по полученным данным строятся графики изменения индексов растительности. Автоматизация процессов закачивания данных ДЗЗ и вычисления индексов растительности позволяет оперативно отслеживать состояние культур на сельскохозяйственных полях. Одной из основных проблем в решении указанных задач является нехватка качественных данных, связанная со значительной долей облачности на спутниковых снимках.

Список литературы:

1. Truflyak E.V., Kreymer A.S., Kurchenko N.Y. Precision farming: yesterday, today, tomorrow // British Journal of Innovation in Science and Technology. – 2017. – V. 2. – Issue 4. – P. 15–26.
2. Ивченко В.К. Использование наземных спектрофотометрических измерений для выявления влияния приемов основной обработки почвы на процесс нарастания надземной фитомассы яровой пшеницы в зернопаропропашном севообороте / Ивченко В.К., Демьяненко Т.Н., И.О. Ильченко [и др.] // Вестник КрасГАУ. – 2020. – № 1. – С. 3–11.
3. Ларько А.А. Оценка состояния сенокосных угодий на основе наземной и спутниковой спектрометрии / Ларько А.А., Ботвич И.Ю., Емельянов Д.В. [и др.] // Вестник КрасГАУ. – 2020. – № 2. – С. 11–17
4. Ерунова М.Г. Создание базы данных для точного земледелия ОПХ «Курагинское» / Ерунова М.Г., Симакина А.С., Якубайлик О.Э. // Вестник КрасГАУ. – 2022. – № 1. – С. 13–20.
5. Tonian (Contractor) R Robinson. Machine-to-Machine (M2M) Landsat-9 Search and Download // USGS Asset Identifier Service (AIS). 2024. URL: https://www.usgs.gov/software/machine-machine-m2m-landsat-9-search-and-download (дата обращения 07.10.2024).
6. Marcel Wille, Kersten Clauss. Sentinelsat documentation. 2016. // URL: https://sentinelsat.readthedocs.io/en/stable/index.html (дата обращения 07.10.2024).