Современные концепции дистанционного зондирования

• Продуктивностью (временные изменения)
• Биомассой
• Влажностью и минеральной (органической) насыщенностью почвы
• Испаряемостью (эвапотранспирацией)
• Объемом выпадаемых осадков
• Мощностью и характеристиками снежного покрова

     Зависимость между этими параметрами и NDVI, как правило, не прямая и связана  с особенностями исследуемой  территории, ее климатическими и экологическими характеристиками, кроме этого, часто  приходиться учитывать временную  разнесенность параметра и ответной реакции NDVI.

     Благодаря всем этим особенностям, карты NDVI часто  используются как один из промежуточных  дополнительных слоев для проведения более сложных типов анализа. Результатами которых могут являться карты продуктивности лесов и  сельхозземель, карты типов ландшафтов, растительности и природных зон, почвенные, аридные, фито-гидрологические  и другие эколого-климатические  карты. Так же, на его основе возможно получение численных данных для  использования в расчетах оценки и прогнозирования урожайности  и продуктивности, биологического разнообразия, степени нарушенности и ущерба от различных естественных и антропогенных  бедствий, аварий и т.д. Часто эти  данные используются для вычисления других, универсальных и территориально-привязанных  индексов: LAI - индекс листовой поверхности , FPAR - индекс фотосинтетической активной радиации, поглощаемый растительностью  и пр.

     В целом, главным преимуществом NDVI является легкость его получения: для вычисления индекса не требуется никаких  дополнительных данных и методик, кроме  непосредственно самой космической  съемки и знания ее параметров.

     Так, благодаря минимальному временному разрешению данных MODIS/Terra, вычисление NDVI на их основе может давать оперативную  информацию об эколого-климатической  обстановке и возможность отслеживать динамику различных параметров с периодичностью до 1 недели! А большой пространственный охват позволяет проводить мониторинг территорий, соразмерный с площадями областей и целых стран. Данные же камер высокого разрешения, типа Landsat, IRS, Aster позволяют следить за состоянием объектов размерами вплоть до отдельного поля или лесного выдела.

     Следует, однако, учитывать и главные недостатки использования NDVI-индекса:

• Невозможность использования данных, не прошедших этап радиометрической коррекции (калибровки);
• Погрешности, вносимые погодными условиями, сильной облачностью и дымкой - их влияние можно частично скорректировать использованием улучшенных коэффициентов и композитных изображений с сериями NDVI за несколько дней, недель или месяцев (MVC - Maximum Value Composite). Усредненные значения позволяют избежать влияния случайных и некоторых систематических погрешностей. Как показывает практика, это очень часто применяемый подход для подготовки данных для создания карт NDVI, примеры показанные в дальнейшем, к сожалению, сделаны на основе разовой съемки, ошибки которой не скорректированы с помощью MVC. Расчет MVC довольно прост и может быть выполнен в ArcInfo GRID с помощью следующих операций (в примере 5 слоев NDVI сделанных из снимков разных дат):

• up = upos(ndvi1, ndvi2, ndvi3, ndvi4, ndvi5)
• result = con(up == 1, ch1, up==2, ch1, up==3, ch1, up==4,ch1, up==5, ch1)
• Необходимостью для большинства задач сравнения полученных результатов с предварительно собранными данными тестовых участков (эталонов), в которых должны учитываться сезонные эколого-климатические показатели, как самого снимка, так и тестовых площадок на момент сбора данных. Особенно значимыми данные материалы становятся при расчетах продуктивности, запасах биомассы и прочих количественных показателях;
• Возможностью использования съемки только времени сезона вегетации для исследуемого региона. В силу своей привязанности к количеству фотосинтезирующей биомассы, NDVI не эффективен на снимках полученных в сезон ослабленной или невегетирующей в этот период растительности.

2. Гиперспектральная система MODIS.

     Предназначение  системы MODIS (Moderate-resolution Imaging Spectroradiometer - сканирующий спектрорадиометр среднего разрешения) состоит в сборе данных для калиброванных глобальных интерактивных  моделей Земли как единой системы. В будущем эти модели должны прогнозировать глобальные изменения с точностью, достаточной для принятия разумных решений по защите окружающей среды [1]. Данные MODIS по всей поверхности Земли  поступают со спутника Terra каждые 2 дня  в 36 спектральных зонах ( в диапазоне 0.405-14.385 мкм) с разрешение 250-1000 м, что  обеспечивает моделирование в глобальном и региональном масштабе. Система MODIS будет также размещена на спутнике Aqua, что удвоит количество поступающих  данных. Материалы съемки MODIS имеют  широкий спектр применения для исследования атмосферы, океана и суши.

1. Исследования  суши

     MODIS позволяет исследовать широкий  спектр явлений на поверхности  Земли. Измерения в видимом  диапазоне имеют большое значение  для многих объектов суши, в  частности, гляциологических в  целях фиксации границ покровных  и горных ледников, распространения  и сезонной динамики снежного  покрова, оценки количества снега  и льда. Мониторинг динамики ледников - сокращения или увеличения площади  оледенения - и морских льдов важен для изучения последствий глобального изменения климата. Данные о таянии снега и льда нужны для прогнозов паводковых явлений. Кроме того, площади, занятые снегом и льдом, определяют глобальное альбедо Земли - необходимый компонент при расчетах радиационного баланса. Сводка данных о готовых производных изображениях снежного покрова суши, а также морских льдов.

     Система MODIS во многом ориентирована также  на исследование растительности. Съемка районов сведения лесов позволяет  определять темпы обезлесения. Состояние  растительности, ее реакция на внешнее  воздействие изучаются с использованием вегетационных индексов. Изготовление по данным MODIS производных изображений  путем обработки по специальным  алгоритмам информации в избранных  зонах позволяет изучать первичную  продуктивность, биомассу суши и интенсивность  фотосинтеза.

     Исследования  растительности при помощи так называемых карт вегетационного индекса NDVI (Normalised Difference Vegetation Index – нормализованная  разность яркостей в красной и  ближней инфракрасной зонах) стали  традиционными. Прежде NDVI рассчитывался  обычно по данным радиометра AVHRR спутников NOAA. Однако эти спутники завершают  работу, и на последующие годы  MODIS как бы принимает на себя получение  данных для расчета NDVI [2]. Расчет индекса  проводится по спектральным зонам, прошедшим  атмосферную коррекцию (алгоритм ее расчета использует различные каналы и производные изображения MODIS). Специально для MODIS на основе NDVI разработан индекс нового поколения EVI (Enhanced Vegetation Index - улучшенный вегетационный индекс):

     EVI = (r*nir - r*red) x (1+L) / (r*nir + C1 x r* red - C2 x r*blue + L)

     где r*nir, r*red, r*blue - скорректированные за атмосферу (по данным съемки MODIS) значения отражательной способности в  ближней инфракрасной, красной и  голубой зоне (0.841-0.876, 0.620- 0.670 0.459 - 0.479 мкм); L - поправочный коэффициент, учитывающий  влияние почвы; С1, С2 - коэффициенты, контролирующие вклад голубой зоны в коррекцию красной за рассеяние атмосферными аэрозолями. Новый индекс позволяет выделить больше градаций в районах с высокой зеленой биомассой и имеет преимущества для мониторинга растительности, поскольку влияние почвы и атмосферы в значениях EVI минимизировано.

     На  рисунке справа приведены изображения EVI для территории США в марте-апреле и мае-июне 2001 г. Хорошо видно сезонное развитие растительности.

     Для изучения растительного покрова  поверхности Земли по данным дистанционного зондирования были разработаны новые  алгоритмы автоматизированного  расчета показателей глобального  листового индекса (LAI - Leaf Area Index) и  поглощенной растительностью при  фотосинтезе радиации (FPAR - Fraction of Photosynthetically Active Radiation). LAI - площадь листовой поверхности (с одной стороны листа) на единицу  площади - характеризует структуру  растительного покрова. FPAR указывает  на долю радиации в "фотосинтетически активном" диапазоне волн (0.400 - 0.700 мкм), поглощаемую растительным покровом. LAI и FPAR - это биофизические параметры, описыващие структуру растительного  покрова и скорость проходящего  в нем энергомассобмена. Их используют для расчета величины фотосинтеза, эвапотранспирации, и первичной  продуктивности экосистем. Эти параметры  также необходимы для исследования круговорота энергии, углерода, воды, и изучения биогеохимических характеристик  растительности.

     В отличие от традиционно применяемого вегетационного индекса 

     NDVI, для расчета LAI/FPAR используется  большее количество спектральных  зон съемки (прошедших атмосферную  коррекцию), учитывается карта типов  покрова поверхности Земли и  дополнительная наземная информация.

     На  рисунке справа показаны карты LAI и FPAR для Африки, осредненные за декабрь 2000 г. - зимний (сухой) период для части  Африки в северном полушарии, и летний - для части в южном полушарии.

3. Мониторинг  сельскохозяйственного назначения.

     Для эффективного развития аграрного производства требуется высокоэффективная система  земледелия. В свою очередь, создание такой системы в настоящее  время вряд ли возможно без внедрения  высокоэффективных технологий сбора  и обработки информации по сельскохозяйственным показателям. Как свидетельствует  мировой опыт, ИТ технологии могут  оказать существенную помощь при  решении многочисленных задач, связанных  с планированием, прогнозом, анализом и моделированием сельскохозяйственных процессов.

     Для решения этих и подобных им задач  требуются современные методы и  средства получения, хранения, обработки  и представления разнообразной  информации, а также средства обмена информацией. К ним относятся  методы сбора значительного объема данных по множеству показателей  с весьма значительных по площади  территорий. Затем необходимо представить  собранные данные в цифровом виде, пригодном для использования  в информационных, в том числе  геоинформационных системах. Эти  системы должны объединять пространственные географические данные, аэро- и космические  изображения а также тематические данные по множеству сельскохозяйственных параметров, представленных в картографической и табличной формах. Такие системы  можно использовать для выведения  значительных массивов информации на экран или на твердую копию  в удобных для пользователя видах. Накладывая на собранную информацию другие полученные и собранные данные, такие, например, как качество почвы, условия орошения, метеорологическая  информация, фитосанитарные наблюдения, данные полевых агроисследований, данные спутникового мониторинга и т.д., можно получать вторичный производный  картографический материал аналитического свойства. На его основании можно  судить о степени развития растительных культур на данной площади и в определенное время. Это, возможно, самый оптимальный способ мониторинга состояния растительного покрова, зерновых культур и пастбищ, а также их продуктивности, выявления деградации растительных культур или почвы, прогнозирования урожая и т.д.

1. Правовая  основа.

     Положение о Министерстве сельского хозяйства  РФ (ППРФ от 24 марта 2006 г. № 164) устанавливает  полномочия Министерства в области  обеспечения устойчивого развития сельских территорий, проведения фитосанитарного  и ветеринарного мониторинга, поддержания  плодородия почв, рационального использования  средств федерального бюджета для  финансовой поддержки агропромышленного  комплекса РФ.

     Реализация  этих положений требует соответствующей  информационной поддержки, учитывающей  географические, климатические, экологические, экономические и другие факторы. Пространственное распределение таких  параметров, их взаимодействие моделируются посредством специализированных программных  средств – географических информационных систем (ГИС).

     В 2003 г. после подготовительных работ  Главный вычислительный центр Минсельхоза  РФ начал активно проводить мероприятия  по внедрению и адаптации ГИС  в сельскохозяйственной отрасли. Начальный  период этих работ отражен в статье «Минсельхоз ставит на новые технологии: внедрение ГИС в сельском хозяйстве  началось» в ArcReview № 2(29) за 2004 год. В  ней были перечислены основные направления  работ, выполненных за достаточно короткий срок практически с нуля. Они включали организационно-технические мероприятия, разработку и адаптацию необходимой  нормативной документации на картографические данные и данные дистанционного зондирования, необходимые для отрасли, организацию  поступления базового картографического  материала, создание действующего макета централизованного приема данных дистанционного зондирования земель сельскохозяйственного назначения и многие другие.

     В последующие годы (2004-2006) ГВЦ Минсельхоза  РФ подготовил и обеспечил отрасль  значительным объемом информационных ресурсов в числе которых:

• векторные цифровые модели местности различных масштабов (1:1 000 000 и 1:200 000) на всю территорию сельскохозяйственной зоны РФ в форматах ArcGIS;
• тематические картографические данные: почвенные карты, карты негативных процессов, ландшафтные карты и др.;
• архивы оперативных спутниковых данных за несколько лет на территорию субъектов РФ (в настоящее время на территорию 38 субъектов РФ, покрывающих практически всю пахотную зону страны);
• тематические фактографические данные по статистическим параметрам, параметрам фитосанитарного и ветеринарного состояния регионов РФ, а также по агроклиматическим показателям;
• цифровые материалы, полученные в результате подготовки к проведению Всероссийской сельскохозяйственной переписи 2006 г.