Оценка состояния агролесоводческих территорий на основе гиперспектральных спутниковых данных и индексов растительности.

Ком-Умбу, расположенный в провинции Асуан, находится на юге Египта, в верховьях Нила, недалеко от озера Насер. Это важный город и оазис на Ниле с хорошо развитым сектором орошаемого земледелия, в основном выращивающим хлопок, зерновые и занимающимся лесоводством, что делает его регионом смешанного сельского хозяйства. Из-за различий в структуре листьев и растительного покрова традиционные единые индексы растительности не могут одновременно охватывать лесное хозяйство и сельское хозяйство; поэтому для оценки необходима комбинация индексов.

Введение в проект

Недавно Сианьская аэрокосмическая группа Китайской академии наук использовала гиперспектральный спутник для получения изображений региона Ком-Умбу в провинции Асуан, Египет (рис. 1). В пределах полосы охвата гиперспектральных данных для выделения и маскирования посевов, а также для оценки зелени и содержания хлорофилла использовался улучшенный индекс растительности (Enhanced Vegetation Index); для оценки содержания антоцианов в листьях использовался индекс отражения антоцианов (Anthocyanin Reflectance Index 2); а для представления эффективности использования света и темпов роста леса использовался индекс отношения красного к зеленому (Red-to-Green Ratio Index). Были созданы индексные карты и карты состояния сельскохозяйственных и лесных угодий, объединяющие вышеуказанные индексы, которые могут быть использованы для оценки наличия стрессовых факторов, связанных с вредителями и болезнями, а также для оценки объемов лесозаготовок в регионе. Входные изображения были разделены на девять категорий в зависимости от состояния посевов, что помогает оценить общее состояние здоровья растений на изображениях.

△ Рисунок 1. Цветное объединенное изображение XIGUANG-003, наложенное на базовую карту Google.

△Рисунок 2. Улучшенный индекс растительности

Улучшенный индекс растительности (EVI) — это оптимизированный индекс растительности, разработанный для повышения чувствительности к изменениям растительности и расширения возможностей мониторинга растительности.Он основан на нормализованном разностном индексе растительности (NDVI) и улучшен за счет использования более строгой комбинации полос и алгоритма для устранения некоторых вариаций условий освещенности, связанных с углом падения солнечных лучей, топографией, облачностью/тенью и атмосферными условиями, тем самым повышая чувствительность EVI к растительности.

Формула расчета EVI выглядит следующим образом: EVI = (NIR - Red) / (NIR + 6*Red - 7.5*Blue + 1), где NIR — коэффициент отражения в ближнем инфракрасном диапазоне, Red — коэффициент отражения красного света, а Blue — коэффициент отражения синего света. Путем корректировки весовых коэффициентов и коэффициентов этих диапазонов EVI может лучше отражать тонкую структуру и состояние здоровья растительности.

Преимущество индекса EVI заключается в его чувствительности к изменениям структуры растительного покрова, включая индекс листовой поверхности (LAI), тип растительного покрова, фазу вегетации и структуру растительного покрова. EVI позволяет лучше извлекать биофизические параметры растительности, такие как содержание хлорофилла и биомасса, тем самым повышая точность мониторинга состояния роста и изменений растительности.

Индекс EVI имеет широкий спектр применения, включая сельское хозяйство, лесное хозяйство, экологию и науки об окружающей среде. В сельском хозяйстве EVI может использоваться для мониторинга роста сельскохозяйственных культур, оценки их питательного статуса и прогнозирования урожайности. В лесном хозяйстве EVI может использоваться для мониторинга состояния лесов, оценки их структуры и экологических функций. В экологии и науках об окружающей среде EVI может использоваться для мониторинга и оценки таких экологических проблем, как изменение растительного покрова, деградация земель и урбанизация.

△Рисунок 3. Индекс отражения антоциана 2

Индекс отражательной способности антоцианов 2 (ARI2) — это индекс дистанционного зондирования, используемый для мониторинга содержания антоцианов в растительности.Это усовершенствованная версия индекса отражения антоцианов 1 (ARI1), которая улучшает реакцию на содержание антоцианов за счет корректировки комбинации полос и алгоритма.

Формула для расчета ARI2: ARI2 = (NIR - 0,57*Red - 0,2*Green) / (NIR + 0,88*Red + 0,2*Green), где NIR — коэффициент отражения в ближнем инфракрасном диапазоне, Red — коэффициент отражения красного света, а Green — коэффициент отражения зеленого света. По сравнению с ARI1, ARI2 имеет больший вес в диапазоне красного света и меньший вес в диапазоне зеленого света, что повышает чувствительность к содержанию антоцианов.

Преимущество ARI2 заключается в его чувствительности к содержанию антоцианов в растительном покрове. Антоцианы — это пигменты, присутствующие в растениях в низких концентрациях, но оказывающие значительное влияние на рост и здоровье растений. Отслеживая изменения значений ARI2, можно понять изменения содержания антоцианов в растительном покрове, что позволяет судить о состоянии роста и стрессовых условиях растительности.

Области применения ARI2 охватывают такие сферы, как экология, охрана окружающей среды и сельское хозяйство. В экологии ARI2 может использоваться для мониторинга состояния и продуктивности экосистем, таких как леса и луга. В охране окружающей среды ARI2 может применяться для оценки воздействия на растительность таких экологических проблем, как качество почвы, загрязнение и изменение климата. В сельском хозяйстве ARI2 может использоваться для мониторинга роста сельскохозяйственных культур, оценки уровня стресса у растений и определения урожайности.

△Рисунок 4 Индекс соотношения красного и зеленого

Индекс соотношения красного и зеленого цвета — это индекс дистанционного зондирования, используемый для мониторинга состояния здоровья и тенденций роста растительности.Индекс рассчитывается путем сравнения коэффициентов отражения красного и зеленого световых диапазонов, по формуле: Индекс соотношения красного и зеленого света = Красный / Зеленый.

Красный свет обычно отражает содержание хлорофилла в растениях, а зеленый свет — их общую структуру и состояние здоровья. Поэтому, рассчитав индекс соотношения красного и зеленого света, мы можем понять состояние роста и уровень здоровья растительности.

Индекс соотношения красного и зеленого цвета (R-Green Ratio) выгоден благодаря своей простоте, легкости расчета и возможности быстрого получения информации о росте растительности. Однако его ограничение заключается в относительно низкой чувствительности к структуре растительного покрова и факторам окружающей среды, что потенциально может неточно отражать стресс растительности и другую подробную информацию. Хотя R-Green Ratio является удобным индексом дистанционного зондирования, способным быстро получать информацию о росте растительности, он может неточно отражать стресс растительности и другую подробную информацию. В практических приложениях необходимо комбинировать его с другими индексами дистанционного зондирования и данными полевых исследований для всестороннего понимания состояния роста и уровня здоровья растительности.

△Рисунок 5. Состояние здоровья растений

Анализ распределения состояния посевов, представленный на рисунке 5, показал, что состояние некоторых участков в целом было лучше, чем в окружающих районах. Эти участки в основном располагались в районах, относительно удаленных от города и близких к реке Нил и ее притокам, что также подтверждает модель орошаемого земледелия в регионе с ограниченными водными ресурсами.

△Рисунок 6. Состояние здоровья сельскохозяйственных культур в жарких и холодных зонах

Карта индексов растительности на рисунке 2-5 отражает распределение роста и состояния сельскохозяйственных культур и обладает определенным визуальным эффектом. Однако для индексов с чрезмерно большими или малыми различиями между их верхним и нижним пределами визуализация будет затруднена. Поэтому мы преобразовали растровые данные индексов состояния сельскохозяйственных культур в точечные данные в соответствии с сеткой.

Далее для каждого элемента в наборе точечных данных рассчитывается статистика Gi* Гетиса-Орда. Статистика Gi* выводится из полученных z-баллов и p-значений. Для статистически значимых положительных z-баллов, чем выше z-балл, тем плотнее кластеризация высокозначимых областей (горячие точки). Для статистически значимых отрицательных z-баллов, чем ниже z-балл, тем плотнее кластеризация низкозначимых областей (холодные точки), а p-значение используется для определения уровня достоверности результата.

На основе приведенных выше расчетов мы можем определить места скопления элементов с высокими или низкими значениями в пространстве, а также выявить холодные и жаркие зоны, где состояние сельскохозяйственных культур значительно хуже или лучше, чем в окружающих районах, что позволяет более наглядно отобразить состояние сельского хозяйства в регионе.

Кроме того, станет возможным векторизовать жаркие и холодные зоны, а также дополнительно проанализировать форму регионов, расстояния между ними, а также взаимосвязь между регионами, реками и городами на основе векторных границ жарких и холодных зон, что позволит углубленно изучить местную модель развития сельского хозяйства.