CC BY
196
НАУКИ О ЗЕМЛЕ
«Наука. Инновации. Технологии», № 2, 2018
УДК 528.88 Антонов С.А. [Antonov S.A.]
Скрипчинский А.В. [Skripchinskii A.V.]
использование данных дистанционного зондирования
для многолетнего мониторинга
за состоянием агроландшафтов
Use of remote sensing data for long-term monitoring of agricultural landscapes
В статье представлен анализ совместного использования данных со спутников Landsat 8 и Sentinel 2 для проведения многолетних наблюдений за состоянием растительности агроландшафтов, на примере территории Георгиевского района Ставропольского края. Рассмотрены особенности проведения коррекции данных с указанных спутников для оценки состояния растительности. На основании статистического анализа вегетационного индекса (NDVI), полученного по данным спутников Landsat 8 и Sentinel 2, выявлена идентичность статистических показателей. Доказана возможность проведения многолетних спутниковых наблюдений за состоянием растительности по данным спутников Landsat 8 и Sentinel 2A путем расчета вегетационного индекса (NDVI) на основе снимков с геометрической и радиометрической коррекцией.
The article presents an analysis of the joint use of data from the Landsat 8 and Sentinel 2 satellites to form long-term monitoring of agricultural landscape vegetation using example of the Georgievsky district in Stavropol Region. The features of the satellite data correction to assess the state of vegetation are considered. The statistical analysis of the vegetation index (NDVI) obtained from the data of Landsat 8 and Sentinel 2 satellites revealed the identity of statistical indicators. The possibility of long-term satellite monitoring of vegetation health from Landsat 8 and Sentinel 2A satellites by calculating the vegetation index (NDVI) is established and statically proven on the basis of images with geometric and radiometric correction.
Ключевые слова: дистанционное зондирование, уровни обработки, вегетационный индекс, агроландшафт, мониторинг. Key words: remote sensing, processing levels, vegetation index, agricultural landscape, monitoring.
Введение
В Ставропольском крае, который является одним из ведущих аграрных регионов России, разработана концепция перехода к адаптивно-ландшафтным системам земледелия. Ландшафтный подход, является основополагающим в изучении агроэкосистем, который нашел свое отражение в работах ведущих ученых в области сельскохозяйственной науки [1, 2, 3].
Под агроландшафтом, А.Н. Каштанов понимает сложную территориально-экологическую и биоэнергетическую систему, в которой все взаимосвязано и которая выступает в качестве базы для сельскохозяйственного производства [1].
В своей интерпретации понятия агроландшафт В.А. Шальнев точно определяет 2 подсистемы (природная и антропогенная), как составные части
территориальной геосистемы сельскохозяйственного типа, которые в совокупности решают проблемы продовольственного обеспечения [4].
Антропогенное воздействие это один из основных факторов, который в значительной степени оказывает влияние на окружающую среду, что приводит к ее трансформации и формированию экологически уязвимых агролан-дшафтов.
В Ставропольском крае начиная с 1990г. по сегодняшний день удельный вес продукции растениеводства достиг 83% за счет значительного сокращения животноводческой продукции. Площадь пашни в крае по данным на 2015г. составляет 4075 тыс. га. Площадь пашни по отдельным районам (Новоалександровский, Советский, Новоселицкий, Кировский) превышает 80%, что на фоне интенсификации сельскохозяйственного производства значительно увеличивает антропогенную нагрузку на агроландшафты. Другим негативным фактором, оказывающим влияние на агроландшафты, является незаконная распашка сенокосов и пастбищ и использование их для целей растениеводства. По данным Федеральной службы государственной регистрации, кадастра и картографии России в крае в 2015г. насчитывалось 3742 тыс. га пашни, однако по данным спутникового мониторинга детектированная площадь пашни на 333 тыс. га больше, что свидетельствует о факторах незаконного использования земель, часто не очень пригодных для возделывания продукции растениеводства.
Решение этих проблем возможно на основе использования геоинформационных технологий и данных дистанционного зондирования Земли, которые являются объективным источником информации. В настоящее время многие организации идут по пути бесплатного предоставления доступа к данным дистанционного зондирования Земли и ГИС программам для их обработки. С учетом этого на первый план выходит разработка единых подходов к обработке данных космической съемки с различных космических аппаратов, для проведения многолетних наблюдением за растительностью, как основного индикатора состояния агроландшафта.
При проведении многолетнего мониторинга за состоянием агроланд-шафтов важным фактором является периодичность космической съемки -временное разрешение космических снимков. Данные со спутника Terra с сенсором Modis, обеспечивают получение космической информации несколько раз в сутки, обеспечивая непрерывный поток данных для мониторинга. Однако пространственное разрешение получаемых снимков от 250 м до 1 км, что не позволяет проводить эффективный анализ для участков менее 50 га [5].
Данные получаемые с космических аппаратов Landsat 8 и Sentinel 2, за счет более высокого пространственного разрешения позволяют решить вышеуказанную проблему, хотя и обладают меньшим временным разрешением, чем данные со спутника Terra. При одновременном использовании космичес-
кой информации со спутников Landsat 8 и Sentinel 2 для целей многолетнего мониторинга агроландшафтов встает вопрос о сходимости их данных.
Проблема сходимости данных со спутников Landsat 8 и Sentinel 2, подробно рассмотрена в работах зарубежных авторов и охватывает только исходные данные без уточнения их возможного использования для расчета производных показателей, например вегетационных индексов [6, 7].
Вегетационный индекс NDVI является достоверным дистанционным показателем состояния растительности в связи с этим, он может быть использован для проведения мониторинга состояния растительности агроландшафтов [5].
Учитывая тот факт, что спектральные характеристики спутников Landsat 8 и Sentinel 2 схожи, поскольку они разрабатывались на базе тесного сотрудничества Европейского космического агентства и Американской национальной геологической службы, можно предположить, что их данные будут сопоставимы в части расчета индекса NDVI. Доказательство сходимости вегетационного индекса NDVI, полученного на основе данных со спутников Landsat 8 и Sentinel 2, позволит увеличить пространственное и временное разрешение данных, которые используются для многолетних наблюдений за состоянием агроландшафтов. В связи с этим целью проводимого исследования является анализ сходимости данных с различных космических спутников для оценки состояния агроландшафтов на основе индекса NDVI.
Материалы и методы исследований
Развитие гражданского направления в использовании ресурсных космических систем началось с запуска программы спутников Landsat в 1972 г. под эгидой Американской геологической службы (USGS) и Национального управления по аэронавтике и исследованию космического пространства США (NASA), основой которого явилось формирование глобального архива космических снимков среднего пространственного разрешение (30-60 м) за длительный период. Всего в рамках программы было сконструировано 8 спутников серии Landsat, и 7 из них были успешно выведены на орбиту [8] (рис. 1).
В 1997 г. была разработана программа «Система наблюдения за Землей» (EOS) в рамках этой программы были запущены 30 спутников, из них 11 функционируют в настоящее время, в том числе Landsat 7 и 8. Программа была создана для проведения длительных наблюдений за поверхностью земли, биосферой и атмосферой. Особенностью данной программы является свободный доступ к данным со спутников, что позволило проводить эффективный анализ получаемой информации.
Активно вопросами глобального мониторинга окружающей среды и безопасности с использование искусственных спутников занимается Европейс-
П
Landsat 1
La
La
— 1972-1978 гг. ndsat 2 — 1975-1983 гг.
ndsat 3 — 1978-19
La
83 гг. ndsat 4 — 1982-19
93 гг.
Landsat 5 — 1984-2013 гг.
Landsat 7 — 1999 г.
andsat 6 — 1993 г.
Landsat
m
8 — 201
Landsat 9 —
2020 г.
1975 1980 1985 1990 1995 2000 2005 2010 2015 2020
Рис. 1.
хронология работы спутниковой программы Landsat.
кое космическое агентство в рамках программы «Коперник» («Copernicus»), которая выступает ключевым элементом программы «Глобального мониторинга безопасности окружающей среды» (GMES). В рамках, которой были созданы спутники семейства Sentinel 1, 2 и 3. Наибольший интерес для нашего исследования представляют спутники Sentinel 2A, Sentinel 2B, которые были запущены в 2015 г. и 2017 г. соответственно. В них реализованы все передовые технологии получения снимков в различных зонах спектра, пространственное разрешение которых составляет от 10 м до 60 м и временное разрешение 5 дней, при этом они относятся к классу ресурсных и находятся в свободном доступе. После 2021 г. данная программ будет продолжена путем создания и запуска еще 2-х спутников Sentinel 2C и Sentinel 2D [8].
Получение информации со спутника Landsat 8 осуществляется при помощи сенсоров OLI (Operational Land Imager) и TIRS (Thermal InfraRed Sensor), которые собирают информацию по 11 спектральным каналам, включая видимую, инфракрасную и тепловую зоны. Спутники Sentinel 2, получают данные по 13 спектральным каналам при помощи сенсора MSI (Multispectral Instrument). Для выявления сходимости данных со спутников Landsat 8 и Sentinel 2 важно сопоставить их спектральные каналы (табл. 1).
Таблица 1. СПЕКТРАЛЬНЫЕ ХАРАКТЕРИСТИКИ СПУТНИКОВ LANDSAT 8 И SENTINEL
Спектральный канал Диапазон длин волн (мкм) Разрешение (м/пиксель)
Sentinel 2A
Канал 1 — побережья и аэрозоли 0,419 - 0,465 60
Канал 2 — синий 0,443 - 0,546 10
Канал 3 — зелёный 0,536 - 0,583 10
Канал 4 — красный 0,646 - 0,685 10
Канал 5 - растительности крайний красный 0,694 - 0,713 20
Канал 6 - растительности крайний красный 0,730 - 0,749 20
Канал 7 - растительности крайний красный 0,766 - 0,797 20
Канал 8 - ближний инфракрасный 0,763 - 0,908 10
Канал 8А - ближний инфракрасный 0,848 - 0,881 20
Канал 9 - водяной пар 0,930 - 0,958 60
Канал 10 - облака 1,336 - 1,415 60
Канал 11 - ближний инфракрасный 1,540 - 1,685 20
Канал 12 - ближний инфракрасный 2,067 - 2,323 20
Landsat 8
Канал 1 — побережья и аэрозоли 0,430 - 0,453 30
Канал 2 — синий 0,450 - 0,515 30
Канал 3 — зелёный 0,525 - 0,600 30
Канал 4 — красный 0,630 - 0,680 30
Канал 5 — ближний инфракрасный 0,845 - 0,885 30
Канал 6 — средний инфракрасный 2 1,560 - 1,660 30
Канал 7 — средний инфракрасный 3 2,100 - 2,300 30
Канал 8 — панхроматический 0,500 - 0,680 15
Канал 9 — перистые облака 1,360 - 1,390 30
Канал 10 - дальний инфракрасный тепловой 10,300 - 11,300 100
Канал 11 - дальний инфракрасный тепловой 11,500 - 12,500 100
В качестве исходных материалов были использованы снимки с аппаратов Landsat 8 и Sentinel 2a за 24 июня 2017 г., в связи с тем, что в этой день была проведена съемка территории Георгиевского района Ставропольского края указанными аппаратами с разницей в 30 минут. В результате были получены безоблачные снимки исследуемой территории.
Однако исходные снимки с различных аппаратов доступные для скачивания имеют различные уровни обработки. В архиве Американской геологической службы снимки со спутника Landsat 8 хранятся в виде безразмерных нормализованных значений (Digital Number / DN), которые получены после первичной обработки данных со спутника и соответствуют первому уровню обработки (Level 1). Данный уровень обработки подходит только для целей визуального дешифрирования и представлен геометрической коррекцией изображения на основе Глобальной климатической цифровой модели рельефа (Global Climate Model DEM). Для проведения объективных научных исследований необходимо преобразовать безразмерные нормализованные значения в отражательную способность объектов (reflectance), которая позволит учитывать особенности атмосферного рассеивания и поглощения. В результате будет получен продукт второго уровня обработки (Level 2) с радиометрической коррекцией для получения спектральной отражательной способности в нижних слоях атмосферы (Bottom of atmosphere - BOA). Снимки второго уровня обработки можно получить по запросу в «Центр анализа и изучения ресурсов Земли» (EROS) [8].
Для снимков Sentinel 2A первый уровень обработки снимков несколько отличается от аналогичного для спутника Landsat 8 и включает в себя геометрическую и радиометрическую коррекцию. Принципиальное отличие состоит в том, что на первом уровне обработки получается спектральная отражательная способность в верхних слоях атмосфере (Top of atmosphere - TOA) при этом не учитывается атмосферное рассеивание и поглощение.
В результате снимки Sentinel 2A, требуют обработки 2 уровня (Level 2), для максимальной идентичности исходной отражательной способности объектов. Обработку второго уровня необходимо делать с привлечением специальных программных средств для обработки космических снимков, а в частности программы Snap Desktop, разработанной под эгидой Европейского космического агентства [9].
Для проведения пространственного анализа данных космической съемки были использованы методы ГИС, а в частности, наложение (оверлей), пространственная выборка, зональная статистика. В качестве основного программного обеспечения ГИС была использована программа Quantum GIS, которая относится к категории свободного программного обеспечения (GNU General Public License).
Для статистической оценки рядов вегетационного индекса были использованы, среднее, медиана, сумма, коэффициент вариации, оценка на нор-
мальности была проведена по критерию Колмогорова-Смирнова и Лиллие-форса, а сходимость рядов была оценена по t-критерию Стъюдента на 1% уровне значимости [10].
Нормализованный разностный вегетационный индекс (NDVI) выступает наиболее распространенным средством для расчета количества активной биомассы. В основу алгоритма расчета индекса положены значения отражения в красной и инфракрасной зонах спектра [11]. Растительный покров выступает косвенным индикатором состояния агроландшафта, в связи, с чем нами определялась сходимость показателей индекса NDVI.
Анализируя характеристики используемых нами космических снимков в качестве исходных спектральных каналов, были использованы для Landsat 8 - 4 красный (0,63-0,68 мкм) и 5 инфракрасный канал (0,845-0,885 мкм), для Sentinel 2A - 4 красный (0,646 - 0,685 мкм) и 8 инфракрасный канал (0,7630,908 мкм). Особенностью использования указанных каналов является их не полная идентичность в охватываемых диапазонах длин волн электромагнитного излучения.
Результаты исследований и их обсуждение
Георгиевский район Ставропольского края относится к зоне неустойчивого увлажнения со среднегодовой температурой 10,7 °С и годовой суммой осадков 542 мм. [12]. Район отличается высокой сельскохозяйственной освоенностью, так 77% территории района распахано. Почвен-но-климатические условия района позволяют возделывать широкий спектр культур, таких как, озимая пшеница, озимый ячмень, подсолнечник, кукуруза, соя, горох, при этом пар занимает менее 3% от площади пашни. Указанные культуры обладают разной продолжительностью вегетационного периода и сроками его наступления, в связи с этим, анализ космического снимка за 24.06.2017 г. обеспечит максимальную выборку с охватом всех культур, возделываемых в районе.
На начальном этапе была дешифрирована и оцифрована вся площадь пашни по снимку со спутника Sentinel 2A с разрешением 10 метров, путем визуального дешифрирования. Установлено, что на 24.06.2017 г. в Георгиевском районе насчитывалось 150500 га пашни, всего было оцифровано 2010 контуров пахотных земель площадью свыше 25 га, так как угодья с меньшей площадью сложно детектировать и оценивать их состояние на снимках с пространственным разрешением 30 м.
С использованием специальных программных продуктов были рассчитаны значения вегетационного индекса NDVI для каждой точки на снимках Landsat 8 и Sentinel 2A (рис. 2). В связи с тем, что снимки имеют различное пространственное разрешение, провести их сравнение попиксельно не представляется возможным.
Sentinel 2A
Вегетационный индекс NDVI
Рис. 2.
Сравнение вегетационного индекса NDVI на 24.06.2017 г. спутник Sentinel 2A и Landsat 8 на участках Георгиевского района Ставропольского края.
№ 2, 2018
Таблица 2. СТАТИСТИЧЕСКАЯ ОБРАБОТКА РЯДОВ
ВЕГЕТАЦИОННЫХ ИНДЕКСОВ
Спутник Среднее Медиана Сумма Коэффициент вариации
Landsat 8 0,70 ± 0,12 0,73 1371 1,6
Sentinel 2А 0,70 ± 0,15 0,74 1368 2,5
Рис. 3.
Оценка нормальности распределения значений вегетационного индекса.
Для сравнения полученных результатов при помощи методов ГИС-тех-нологий нами было проведено осреднение значений вегетационного индекса по каждому выделенному контуру пашни и статистическая обработка полученных данных (табл. 2).
Статистический анализ полученных рядов наблюдений показал, практически полную идентичность описательных статистических показателей. Основным отличием более высоких значений коэффициента вариации по данным со спутника Sentinel 2A, по нашему мнению является более высокое пространственное разрешение, которое позволяет получать более детальную картину распределения вегетационного индекса.
Полученные ряды были проверены на нормальность, используя тест Колмогорова-Смирнова и Лиллиефорса, который показал, нормальность распределения в двух рядах значений на 1% уровне значимости (рис. 3).
Поскольку полученные ряды значений имеют нормальное распределение, мы провели их сравнение по ¿-критерию Стъюдента (t = 0,33), который выявил идентичность рядов значений на 1% уровне значимости.
Выводы
На основании проведенного нами исследования, установлена полная сходимость данных со спутников Landsat 8 и Sentinel 2A, используемых для оценки состояния растительности при помощи расчета вегетационного индекса. Основное условие, которое необходимо соблюдать - использовать для оценки состояния растительности снимки со вторым уровнем обработки (Level 2) на котором проведена геометрическая и радиометрическая коррекция и получены значения отражения от нижних слоев атмосферы. Использование данных со спутников Landsat 8 и Sentinel 2A, позволит увеличить временное разрешение данных с 16 дней до 5 дней и пространственное разрешение с 30 м. до 10м., что обеспечит получение более полной и подробной информации о состоянии растительности агроландшафтов. На основании полученных результатов доказана возможность совместного использования данных дистанционного зонирования со спутников Landsat 8 и Sentinel 2A для осуществления многолетнего мониторинга за состоянием растительности путем анализа вегетационного индекса NDVI.
Библиографический список
1. Каштанов А.Н. Концепция ландшафтной контурно-мелиоративной системы земледелия // Земледелие. 1992. № 4. С. 2-4.
2. Лопырев М.И. Основы агроландшафтоведения. Воронеж: Изд-во Воронеж. ун-та. 1995. 180 с.
3. Кирюшин В.И. Основные принципы разработки адаптивно-ландшафтных систем земледелия // Земледелие. 1996. № 3. С. 4244; № 4. С. 38-41.
4. Шальнев В.А., Диденко П.А. К вопросу об изучении структуры агроландшафта // Вестник СГУ. Ставрополь. 1997. № 12. С. 3743.
5. Плотников Д.Е., Барталев С.А., Лупян Е.А. Метод детектирования летне-осенних всходов озимых культур по данным радиометра MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2008. Вып. 5. Т. 2. С. 322-330.
6. Li, S. , Ganguly, S. , Dungan, J. , Wang, W. and Nemani, R. (2017) Sentinel-2 MSI Radiometric Characterization and Cross-Calibration with Landsat-8 OLI. Advances in Remote Sensing, 6, 147-159. doi:10.4236/ars.2017.62011.
7. Mandanici, E., Bitelli, G. Preliminary Comparison of Sentinel-2 and Landsat 8 Imagery for a Combined Use. Remote Sensing. 2016, 8(12), 1014; https://doi.org/10.3390/rs8121014.
8. Казяк Е.В., Терехина Э.А. Картографирование структуры посевных площадей с применением снимков Landsat 8 (на примере Минской области Республики Беларусь) // Научные ведомости Белгородского государственного университета. Серия: Естественные науки. 2015. №21 (218). Выпуск 33. С. 127-131.
9. Перепечина Ю.И., Глушенков О.И., Корсиков РС. Определение лесистости и количественных характеристик лесов по космическим снимкам Sentinel 2 (на примере Шебекинского муниципального района Белгородской области) // Дистанционные методы в лесном хозяйстве. 2017. №4. С. 85-93.
10. Закс Л. Статистическое оценивание. М.: Изд-во Статистика. 1976. 598с.
11. Rouse, J. W., Haas, R. H., Schell, J. A., and Deering, D. W. (1973) "Monitoring vegetation systems in the great plains with ERTS" _ Third ERTS Symposium, NASA SP-351, vol. 1, pp.309-317.
12. Антонов С.А. Тенденции изменения климата и их влияние на земледелие Ставропольского края // Известия Оренбургского государственного аграрного университета. 2017. №4 (66). С. 43-46.
References
1. Kashtanov A.N. Kontseptsiya landshaftnoy konturno-meliorativnoy sistemyi zemledeliya (The concept of a landscape contour-meliorative system of agriculture). // Zemledelie. 1992. № 4. pp. 2-4.
2. Lopyirev M.I. Osnovyi agrolandshaftovedeniya (Fundamentals of
agrarian landscaping). Voronezh: Izd-vo Voronezh. un-ta. 1995. 180 p.
3. Kiryushin V.I. Osnovnyie printsipyi razrabotki adaptivno-landshaft-nyih sistem zemledeliya (Basic principles of development of adaptive-landscape systems of agriculture) // Zemledelie. 1996. №3. pp. 42-44; № 4. pp. 38-41.
4. Shalnev V.A., Didenko P.A. K voprosu ob izuchenii strukturyi agro-landshafta (To the question of studying the structure of the agro-landscape). // Vestnik SGU. Stavropol. 1997. № 12. pp. 37-43.
5. Plotnikov D.E., Bartalev S.A., Lypyan E.A. The method of detecting summer-autumn germination of winter crops by a MODIS radiometer // Modern problems of remote sensing. 2008. Vol. 5. Part. 2. pp. 322-330.
6. Li, S. , Ganguly, S. , Dungan, J. , Wang, W. and Nemani, R. (2017) Sentinel-2 MSI Radiometric Characterization and Cross-Calibration with Landsat-8 OLI. Advances in Remote Sensing, 6, pp. 147-159. doi:10.4236/ars.2017.62011.
7. Mandanici, E., Bitelli, G. Preliminary Comparison of Sentinel-2 and Landsat 8 Imagery for a Combined Use. Remote Sensing. 2016, 8(12), 1014; https://doi.org/10.3390/rs8121014.
8. Kazyak E.V., Terehina E.A. Kartografirovanie strukturyi posevnyih ploschadey s primeneniem snimkov Landsat 8 (na primere Minskoy oblasti Respubliki Belarus) (Mapping of the structure of sown areas with the use of Landsat 8 images (on the example of the Minsk region of the Republic of Belarus)). // Nauchnyie vedomosti Belgorod-skogo gosudarstvennogo universiteta. Seriya: Estestvennyie nauki. 2015. № 21 (218). Vyipusk 33. pp. 127-131.
9. Perepechina Yu.I., Glushenkov O.I., Korsikov R.S. Opredelenie lesistosti i kolichestvennyih harakteristik lesov po kosmicheskim snimkam Sentinel 2 (na primere Shebekinskogo munitsipalnogo rayona Belgorodskoy oblasti) (Determination of forest cover and quantitative characteristics of forests from space images of Sentinel 2 (on the example of Shebekinsky municipal district of the Belgorod region) // Distantsionnyie metodyi v lesnom hozyaystve. 2017. №4. pp. 85-93.
10. Zaks L. Statisticheskoe otsenivanie (Statistical estimation). M.: Izd-vo Statistika. 1976. 598p.
11. Rouse, J. W., Haas, R. H., Schell, J. A., and Deering, D. W. (1973) "Monitoring vegetation systems in the great plains with ERTS," _ Third ERTS Symposium, NASA SP-351, vol. 1, pp.309-317.
12. Antonov S.A. Tendentsii izmeneniya klimata i ih vliyanie na zemledelie Stavropolskogo kraya (Trends in climate change and their impact on the agriculture of the Stavropol Territory) // Izvestiya Oren-burgskogo gosudarstvennogo agrarnogo universiteta. 2017. № 4 (66). pp. 43-46.
