MONITORING OF AGRICULTURAL RESOURCES ON MULTITEMPORAL ERS-2\SAR

Full Text

Разработка методов применения оптических и радарных данных ДЗЗ для мониторинга состояния аграрных ресурсов в период вегетации, использования этих данных для коррекции имитационной модели биопродуктивности является актуальной проблемой [1-5]. Необходимо разработать высокоточную методику оценки по радарным изображениям листового индекса (LAI) пропашных культур, самовосстанавливающихся степных агроценозов и мелколесий на заброшенных землях. Достаточно изучена связь листового индекса с коэффициентом обратного рассеяния радаров для лесных территорий [6]. Однако, для полей с зерновыми культурами с небольшим проективным покрытием значительный вклад в обратное радарное рассеяние вносит неоднородность механического состава, влажности и диэлектрической проницаемости верхнего слоя почвы [4; 7]. Оценка по всепогодным радарным изображениям листового индекса LAI в границах пропашных полей также позволит выполнять прогнозирование урожайности зерновых культур на основе модели биопродуктивности EPIC [5]. Листовой индекс, оцененный по спутниковым данным, необходим для корректировки расчетов листового индекса по математической модели, накапливающей погрешности вследствие недостоверных данных по агрофизическим свойствам почвы и ежедневным метеоданным. Для растительных покровов диапазон LAI, может изменяться от менее 1 для пустынь, до 8 для дождевых тропических лесов. В модели EPIC потенциальное ежедневное изменение в сухой биомассе зависит от листового индекса (LAI) и солнечной радиации (RA): dBp = 0,000 5 · BE · RA · (1 - e-065*LAI), где BE - коэффициент преобразования энергии к биомассе. Ежедневное приращение листового индекса (dLAI) ограничивается коэффициентом стресса (Reg), который определяется как минимальная величина из водного, температурного или азотного стресса: dLAI = dLAIT(LAImx, LAI, HU) · Reg, где dLAIT - теоретическая функция приращения исходя из максимально возможного листового индекса (LAImax), текущего индекса (LAI) и накопленной суммы температур за период роста (HU). Листовой индекс LAI рассчитывается как функция суммы эффективных температур, стрессов и стадий развития культуры. От появления до начала увядания листьев, LAI оценивается по формуле LAIj = LAIh + dLAI, где j - день прогноза; j-1 - предыдущий день. Урожайность зерна (YLD) рассчитывается пропорционально итоговой биомассе наземной части: YLD = HI · max(BIOM), где HI - индекс урожайности, определяемый экспериментально. Возможно наземное подспутниковое инструментальное измерение и спутниковая оценка индекса LAI [5]. Наиболее достоверным считается алгоритм MOD15 для обработки данных радиометра MODIS. В нем предлагается кусочно-линейная зависимость LAI от NDVI. Индекс NDVI рассчитывается по алгоритму MOD13. При прогнозировании урожайности выполняются ежедневные расчеты биопродуктивности зерновых культур по модифицированной методике EPIC с корректировкой расчетных значений листового индекса на основе спутниковой оценки вегетационного и листового индексов [5]. Периодичность коррекции должна составлять не менее двух раз с учетом разреженной облачности на период до начала спада листового индекса связанного с естественным увяданием листового покрова зерновых культур. На основании расчетов по модели прогнозируются биологическая урожайность культур и оптимальные сроки начала уборки в разрезе районов или субъекта федерации. В 2005-2007 гг. в период с мая по октябрь Европейским космическим агентством (ESA) планировались витки ERS-2 для съемки сельскохозяйственной зоны Западной Сибири для обеспечения проекта Cat-1 ID-3158. В 2008 и 2010 гг. ESA проводило миссии по кросс-интерферометрической тандемной съемке Земли на основе ERS-2\SAR и ENVISAT\ASAR. При тандемной съемке спутники сканируют одну и ту же территорию земной поверхности с интервалом в 30 мин, что позволяет исключить временную декорреляцию 80 Раздел 1. Радиолокационная поляриметрия и интерферометрия. Радиометрия земных покровов и строить точные ЦМР. Во время этой миссии увеличивалось число повторных пролетов ERS-2 на зерносеющие регионы Западной Сибири и юга европейской части России. За 2005-11 гг. накоплен архив из 76 тыс. кадров ERS-2\SAR на территорию России с числом повторных съемок на отдельные территории 40-50. Данные ERS-2\SAR и MODIS принимались Центре ДЗЗ ЮНИИИТ на антенные комплексы ОПТЭКС и ТНА-9 на всю зону радиовидимости. Переобработка накопленных архивных данных ERS-2\SAR и MODIS за 2005-2010 гг. позволит разработать методику оценки LAI зерновых культур по калиброванным радарным данным аналогично модели STEP [7]. Многовременной мониторинг развития посевов зерновых культур требует разработку методов проведения синхронных подспутниковых измерений биометрических параметров в течение быстропротекаю-щих фенологических периодов развития посевов с учетом разрешающей способности спутниковых сенсоров, наземных спектрофотометров, измерителей листового индекса, метеоусловий на момент съемки. В связи с разнообразием агроклиматического потенциала зерносеющих регионов и обширностью сельскохозяйственных угодий становится актуальной задача разработки методов мониторинга и прогнозирования урожайности зерновых культур с использованием данных метеорологических и радарных спутников с учетом агрофизических особенностей почв и развития растений. Полевые наблюдения зерновых культур для дешифрирования данных ERS-2 с точной геопривязкой проводились в 2006-2010 гг. на полях Кулундинской опытной станции и опытных полях АНИИСХ СО РАСХН [8]. Цветовой RGB синтез из амплитудных кадров ERS-2\SAR, выполненных в июне, июле и августе на одну и ту же территорию позволяет визуально разделять следующие культуры: подсолнечник, пшеница, кукуруза, просо. Не разделяются пшеница и овес, что связано с совпадением фенофаз развития культур. При включении в цветовой синтез снимков за май и сентябрь, достоверно выделяются паровые поля, стерня и естественная нераспаханная степь, используемая под пастбище. Снимки за октябрь позволяют контролировать осеннюю вспашку почвы и ход уборки подсолнечника, убираемого по агротехнике возделывания культуры в Западной Сибири при наступлении заморозков с целью повышения маслично-сти. Локально выпавшие на сухую почву осадки при сильном ветре вносят искажение в снимки ERS-2 в виде светлых полос. Сильнее этот эффект проявляется на засоленных почвах и наблюдался на убранных полях с минимальным проективным покрытием и однородной структурой шероховатостей на всей площади полей в 2005-2008 гг. на осенних снимках ERS-2 в регионах Восточного Зауралья, Северного Казахстана и Степного Алтая Цветосинтезирванные изображения MODIS с разрешением 250м и ERS-2\SAR за разные даты съемки отображают многообразие фенофаз развития зерновых культур в различных агроклиматических зонах юга Западной Сибири. Различия связаны с различными сроками сева, неравномерностью выпадения осадков по территории в летние месяцы, плодородием почвы, соблюдения агротехники и севооборотов, засоренностью полей. Достоверно выделяются группы полей засеянных одной культурой и паровые поля. Разновременные данные всепогодного космического радара ERS-2\SAR среднего разрешения позволяют определить видовой состав культур с точностью до поля в дождливые годы с большим числом облачных дней. Для различных агроклиматических зон требуется привлечение информации с тестовых полей и экспертных оценок по размещению возделываемых культур. Применение модифицированной динамической модели биологической продуктивности растений EPIC в сочетании с космическими снимками позволяют достоверно оценивать урожайность основных зерновых культур на региональном уровне. Технология предполагает использование архивных оптических и радарных космоснимков за предыдущие годы для определения в различных агроклиматических зонах региона тестовых полей достаточной площади и конфигурации для расчета на период вегетации зерновых культур в текущий год вегетационного и листового индексов. Перспективно развитие данной технологии с использованием радаров SENTINEL-1A\B, с периодичностью обзора 12 сут для одного спутника и 6 суток при двух спутниках. Данные ERS-2 получены по проекту ESA Cat-1 ID 3158 «Agricultural applications of remote sensing in West Siberia».

About the authors

A. V. Yevtyushkin

Baltic Federal University named after I. Kant

Email: AYEvtyushkin@kantiana.ru
14 Nevskiy st., Kaliningrad, 236041, Russia

V. M. Bryksin

Baltic Federal University named after I. Kant

14 Nevskiy st., Kaliningrad, 236041, Russia

N. V. Rychkova

Barnaul Institute of Law

Email: polkovnik@buimvd.ru
49 Chkalov st., Barnaul, 656038, Russia

References

Supplementary files