ИСПОЛЬЗОВАНИЕ МНОГОЗОНАЛЬНЫХ КОСМИЧЕСКИХ СНИМКОВ ДЛЯ ЦЕЛЕЙ ГЕОИНФОРМАЦИОННОГО МОНИТОРИНГА И АНАЛИЗА ПРОСТРАНСТВЕННЫХ ХАРАКТЕРИСТИК СЕЛЬСКОХОЗЯЙСТВЕННОГО ЗЕМЛЕПОЛЬЗОВАНИЯ

DOI: 10.24411/2619-0761-2020-10017 УДК 528.8.04

ИСПОЛЬЗОВАНИЕ МНОГОЗОНАЛЬНЫХ КОСМИЧЕСКИХ СНИМКОВ ДЛЯ ЦЕЛЕЙ ГЕОИНФОРМАЦИОННОГО МОНИТОРИНГА И АНАЛИЗА ПРОСТРАНСТВЕННЫХ ХАРАКТЕРИСТИК _СЕЛЬСКОХОЗЯЙСТВЕННОГО ЗЕМЛЕПОЛЬЗОВАНИЯ*_

Зарубин О .А. * Ларина А.В, Саулин В.А, Шабайкина В.А.

Национальный исследовательский Мордовский государственный университет им. Н.П. Огарева, г. Саранск, Россия

*E-mail: oieg-zarubin@iist.ru

Аннотация. В статье проанализированы концептуальные основы системы геоинформационного мониторинга сельскохозяйственного землепользования, функционирующей в Российской Федерации. На современном этапе развития науки и практики использование географических информационных систем при автоматизированном дешифрировании многозональных космических снимков является важнейшим инструментом для принятия верных управленческих решений в области землеустройства, оптимизации сельскохозяйственного землепользования и информационным базисом для оперативного мониторинга, оценки состояния сельскохозяйственных культур, прогнозирования их урожайности.

Рассмотрены возможности применения многозональных космических снимков Landsat-8 для целей геоинформационного мониторинга и анализа пространственных данных, необходимых для обеспечения сельскохозяйственного землепользования. В качестве источника данных дистанционного зондирования Земли (ДЗЗ) использована библиотека географического портала Геологической службы Соединенных Штатов Америки. Работы выполнены в ГИС ArcGIS. Апробация методик анализа пространственных данных осуществлена на примере научно-исследовательского тестового полигона «Чеберчинка», расположенного в лесостепи эрозионно-денудационных равнин Приволжской возвышенности в административных границах Республики Мордовия.

Авторами в статье реализованы методика предварительной обработки многозональных космических снимков и алгоритмы их классификации (с обучением и без обучения) для моделирования структуры сельскохозяйственного землепользования на базе концепции Land Cover, являющейся частью программы стран Европейского союза «Coordination of information on the environment» (CORINE). Для оценки состояния сельскохозяйственных культур выполнен расчет нормализованного разностного вегетационного индекса (NDVI, Normalized Difference Vegetation Index). Проведены анализ динамики изменения биомассы в течение вегетационного периода и количественная оценка неоднородности индекса NDVI за 2018 г. по результатам расчета показателей для различных видов сельскохозяйственных культур: клевер, кукуруза, пшеница, рапс, рожь, ячмень.

Введение.

ационализация территориальной организации системы сельскохозяйственного землепользования является одним из важнейших условий устойчивого эколого-социально-экономического развития регионов [1]. В соответствии с задачами, сформулированными в Стратегии пространственного развития Российской Федерации на период до 2025 года [2], развитие территорий сельских поселений и межселенных территорий - одна из приоритетных задач государства и общества при ответе на современные вызовы.

Содержимое этой работы может использоваться в соответствии с условиями лицензии Creative Commons Attribution 4.0. Любое дальнейшее распространение этой работы должно содержать указание на автора (ов) и название работы, цитирование в журнале и DOI.

Очевидно, что ее решение основано на глубоком анализе региональных и локальных природно-социально-производственных систем, особенностей хозяйственного (сельскохозяйственного, селитебного и др.) освоения, выработке эффективных решений в сфере оптимизации структуры землепользования, ведения сельского хозяйства, градостроительного освоения. Такая постановка вопроса требует наличия мощной информационной основы принятия управленческих решений, интегрирующей разноотраслевую пространственно распределенную информацию.

В условиях развития цифровой экономики в России особое значение для сельского хозяйства имеет совершенствование методов анализа пространственных данных, совершенствование методик обновления и верификации имеющихся метаданных о пространственных объектах, выступающих территориальной основой сельскохозяйственного землепользования. Опыт региональных исследований [3...5 и др.] показывает, что разработка комплексного свода данных об организации системы землепользования целесообразно на базе создания практико-ориентированных ГИС, реализующих возможности получения, хранения, интерпретации и распространения знаний о почвенно-земельных, минерально-сырьевых, водных, лесных, биологических и других ресурсах. При этом региональная информационная система, интегрирующая отраслевые исследования в области оптимизации землепользования, должна включать три основных блока [4, 6]: 1) ГИС; 2) систему анализа данных ДЗЗ; 3) геопортальную модель. Проектирование такой информационной системы предполагает: 1) разработку и обоснование концептуальной модели геоинформационного обеспечения оптимизации системы регионального землепользования; 2) разработку методологии и методов тематического картографирования структуры землепользования на основе обработки и анализа данных ДЗЗ; 3) проектирование и обновление баз пространственно-распределенных данных, электронных аналитических и синтетических карт в структуре региональной ГИС, формирующих банк пространственно распределенных данных

системы землепользования; 4) разработку эффективного решения визуализации и распространения информации - проектирование геопортала как пользовательско-ориентированного web-проекта.

В Российской Федерации значительная часть обозначенных задач решается в рамках системы мониторинга земель, являющейся частью государственного экологического мониторинга. Общие принципы данного механизма устанавливаются в статье 67 Земельного кодекса Российской Федерации от 25.10.2001 г. № 136-Ф3 [7], детализируются Постановлением Правительства Российской Федерации от 09.08.2013 г. № 681 [8], приказом Министерства экономического развития Российской Федерации от 26.12.2014 г. № 852 [9], приказом Министерства сельского хозяйства Российской Федерации от 24.12.2015 г. № 664 [10] и другими документами.

Анализ нормативно-правовой базы осуществления мониторинга земель показывает, что его информационное обеспечение во многом основывается на использовании триады, обозначенной выше: ГИС - система анализа данных ДЗЗ - геопортальное решение.

В области мониторинга земель сельскохозяйственного назначения в соответствии с Федеральным законом от 29.12.2006 г. № 264-ФЗ [11] и Постановлением Правительства Российской Федерации от 07.03.2008 г. № 157 [12] создана система государственного информационного обеспечения в сфере сельского хозяйства (СГИО СХ). Посредством применения информаци-онно-телеком-муникационных технологий осуществляется автоматизированный сбор, хранение, обработка, анализ и экспорт данных, взаимодействие с другими государственными информационными системами. Помимо этого, с 2018 г. в стране функционирует Единая федеральная информационная система о землях сельскохозяйственного назначения и землях, используемых или предоставленных для ведения сельского хозяйства в составе земель иных категорий (ЕФИС ЗСН) [13], предназначенная для информационного сопровождения Министерства сельского хозяйства Российской Федерации и профильных государственных структур и организаций.

Федеральные информационные системы, обеспечивающие мониторинговые процессы в сфере сельскохозяйственного землепользования, в ряде субъектов Российской Федерации дополняются собственными разработками, ориентированными на оптимизацию сельского хозяйства (рис. 1). В настоящее время актуальной остается задача взаимодействия баз данных таких

региональных систем с ЕФИС ЗСН в части состава, формата, механизмов обработки и визуализации мониторинговых показателей. В большинстве субъектов работа региональных информационных систем сочетается с геопортальным решением, обеспечивающим дифференциацию пользовательского доступа к контенту.

Рис. 1. Внедрение региональных информационных систем мониторинга земель в субъектах Российской Федерации

Так, по оценкам Министерства сельского хозяйства Российской Федерации [14] Республика Мордовия одной из первых успешно внедрила собственную региональную информационную систему в практику принятия управленческих решений в сфере оптимизации сельского хозяйства. С 2016 г. в регионе функционирует геопортальный сервис Геоаналитического центра управления АПК Республики Мордовия (http:// agrogis.e-mordovia.ru). Основной целью создания геосервиса является реализация агро-производственного потенциала республики. В основе функционирования информационной системы лежит принцип верификации имеющихся данных ЕГРН, отражение системы фактического землепользования, реально сложившейся в ходе хозяйственного освоения природно-социально-производственных систем региона.

Региональные геоинформационные системы мониторинга земель значительно различаются по структуре, функциональным возможностям, архитектурным и интерфейсным решениям, что зависит от особенностей систем сельскохозяйственного землепользования, а также от специфики работы регионального органа управления агропромышленным комплексом, агрохимслужбы. Несмотря на это, проведенный обзор показывает, что в работе сервисов выделяются два ключевых направления: 1) оперативный мониторинг неиспользуемых сельскохозяйственных угодий, отслеживание динамики вывода/ввода земельных участков в сельскохозяйственный оборот; 2) учет, инвентаризация, систематизация и оперативное обновление метаданных (площадь, вид угодий, классификационные единицы почвенного покрова, агрохимические параметры,

возделываемые культуры, динамика всходов озимых/яровых культур и др.) в пределах пространственных объектов - сельскохозяйственных землепользований.

Основная часть. Для решения обозначенных задач одним из основных источников формирования баз пространственно распределенных данных являются материалы ДЗЗ - многозональные и гиперспектральные космические снимки. В проведенном исследовании с использованием ГИС-технологий предпринята попытка отработки ряда методик тематической обработки многозональных космических снимков Landsat-8 для целей картографирования структуры сельскохозяйственного землепользования и мониторинга состояния сельскохозяйственных угодий. Архивные материалы ДЗЗ получены с официального сайта геологической службы США (https://glovis.usgs.gov). Их обработка была произведена в программе ArcGIS 10.2.2. Ранее данные многозональные космические снимки зарекомендовали себя при решении сходных задач картографирования сельскохозяйственного землепользования [3] и мониторинга состояния растительного покрова населенных пунктов

[15, 16].

Практика региональных исследований [3, 4, 17 и др.] показывает, что в основе

реализации методик обработки данных ДЗЗ при решении прикладных задач заложена их апробация на системе тестовых полигонов, отличающихся хорошей изученностью и репрезентативностью ландшафтных характеристик, параметров землепользования. Т акой подход призван обеспечить релевантный характер интерпретируемых результатов и возможность масштабирования в условиях региона.

В настоящей статье такая задача решалась на базе тестового научно-исследовательского полигона «Чеберчинка» - одной из территорий, используемых в Мордовском университете для отработки и верификации существующих и разработанных технологий дешифрирования многозональных космических снимков [17]. Полигон расположен в северной лесостепи Приволжской возвышенности; охватывает почти всю территорию Дубенского, юго-восточную часть Атяшевского и северовосточную часть Большеберезниковского муниципальных районов Республики Мордовии (рис. 2). Визуальный анализ космических снимков в естественных цветах показывает, что для территории наиболее характерны высокая сельскохозяйственная и селитебная освоенность. Лесные массивы дешиф р и руются фрагментарно.

Рис. 2. Географическое положение научно-исследовательского полигона «Чеберчинка»

На предварительном этапе снимки Land-sat-8 были радиометрически скорректированы (откалиброваны) с помощью пересчета безразмерного нормализованного значения DN (Digital Number) в отражательную способность (reflectance). Вычисления были проведены в два этапа согласно методике, рекомендуемой Геологической службой США [18].

На первом этапе по формуле (1) было рассчитано земное спектральное отражение pX & без поправки на солнечный угол:

pX& = Mp xQcal + Ap, (1)

где Mp - коэффициент мультипликативного масштабирования отражения для спектрального канала; Qcal - значение DN пикселя изображения уровня обработки L1 (исходный растр); Ap - аддитивный масштабный коэффициент отражения для спектрального канала.

Далее по формуле (2) рассчитывались значения яркости, выраженные через отражательную способность pX:

pX = pX& / sin (Ose), (2)

где Ose - угол падения солнечных лучей.

Задача инвентаризационного картографирования структуры землепользования полигона решалась на основе составления карты Land cover, концепция которой реализуется странами Евросоюза в программе CORINE [19].

Для моделирования пространственных объектов (структуры землепользования) научно-исследовательского полигона выполнялись следующие операции:

- экспертное определение потенциального количества классов землепользований. Предварительное визуальное дешифрирование проводилось на основе космических снимков высокого пространственного разрешения, скаченных с соответствующим файлом привязки с сервиса Sas.Planet. Всего программа CORINE предусматривает 44 класса земной поверхности на трех иерархических уровнях. При картографировании необходимо проводить предварительный анализ потенциального числа типологических единиц землепользования, чтобы избежать отнесения пикселей с близкими спектральными параметрами к разным классам;

- выбор спектральных каналов снимка (создание синтезированного изображения). В качестве основной выбрана комбинация каналов 6-5-4 (в позициях R-G-B). В ходе предыдущих экспериментов [3] установлено, что такая комбинация позволяет наиболее уверенно детектировать пространственные конфигурации сельскохозяйственных угодий и антропогенных поверхностей (населенные пункты, дорожная сеть);

- выбор алгоритма классификации снимка и реализация процедуры дешифрирования. В работе апробированы алгоритмы без обучения (ISODATA) и с обучением (метод максимального подобия). Для реализации второго алгоритма был заранее определен набор эталонных участков, однозначно интерпретируемых при визуальном анализе космических снимков высокого пространственного разрешения;

- тематическая интерпретация классов. Выделены следующие классы землепользования согласно терминологии СОЯШЕ: искусственная поверхность (застройка населенных пунктов, дорожная сеть); пашня; гетерогенные сельскохозяйственные районы (многолетние культуры, лугово-пастбищные комплексы); лиственные, хвойные и см еш анные леса; внутренние воды (водоемы и водотоки) (рис. 3);

- векторизация конечного растра.

Анализ полученных моделей показывает,

что физиономичные классы землепользования детектируются не всегда уверенно. Так, искусственные поверхности при классификации без обучения определяются с большими ошибками, что связано, вероятно, с невысокой плотностью застройки в населенных пунктах, расположенных на территории полигона. Эффективнее данный класс дешифрируется при обучении выборки: увереннее выделяется не только структура жилой застройки, но и дорожная сеть. Более точно проводятся границы между классами лиственных лесов и сельскохозяйственных областей.

С другой стороны, трудноразличимые на снимках естественных цветов неглубокие водные объекты уверенно выделяются при автоматизированном дешифрировании. Это связано с наличием в выборке каналов красного и инфракрасного диапазонов,

обеспечивающих разграничение растительных сообществ, гидроморфных геокомплексов и водных объектов.

Последующие эксперименты должны быть направлены на экстраполяцию полученного опыта за счет увеличения перечня классов сельскохозяйственного и иного землепользований, не представленных на территории полигона.

Большинство технологических решений по изучению параметров растительного покрова на базе многозональных космических снимков основываются на расчете вегетационных индексов - формализованных выражений, где в качестве переменных выступают яркостные характеристики каналов. Вычисление большинства индексов основано на особенностях отражательной способности растений в красном и ближнем инфракрасном диапазонах спектра [20, 21]. С увеличением фитомассы в границах пикселя значения яркости растут в ближней инфракрасной зоне и снижаются в красной.

Для геоинформационного мониторинга посевов сельскохозяйственных культур использован один из наиболее распространенных вегетационных индексов - NDVI,

Использование инструментальных

методик обработки данных ДЗЗ для целей картографирования сельскохозяйственного землепользования позволяет не только анализировать границы классов земной пов е р х ности, но и проводить оперативный тематический мониторинг состояния сельскохозяйственных культур обновлять метаданные пространственных объектов.

предложенный в 1973 г. J.W. Rouse, R.H. Haas, J .A. Schell, D.W. Deering. Значения индекса варьируются в интервале от - 1 до 1. Чем в ыше расчетное значение, тем больше фитомасса, регистрируемая в пределах пикселя. В работе использовалась традиционная ф ор мула (3) его вычисления [20, 21]:

NDVI = (NIR - Red)/(NIR + Red), (3)

где NIR - отражение в ближней инфракрасной области спектра; RED - отражение в красн ой области спектра.

Расчет вегетационного индекса производился для посевов сельскохозяйственных культур в пределах границ научно-исслед овательского полигона «Чеберчинка» по материалам архивных многозональных снимков за 2018 г. Для анализа выбраны

М- > ¡fcj

- V. ÄF

Космический снимок

& V&>

If*" ■

"-Ч

• №-< \\

.v; V„ /

Классификация без обучения

v.: , &". - Л". ■ , .&:

Классификация с обучением

Условные обозначения

Классы фактического землепользования*

_ Уровень 1: 3 Лес и полуестественные области

I Уровень 2: 3.1 Леса Уровень 3: 3.1.1 Лиственные леса

^^ Уровень 1: 3 Лес и полуестественные области уровень 2: 3.1 Леса Уровень 3: 3.1.2 Хвойные леса

Уровень 1: 3 Лес и полуестественные области и Уровень 2: 3.1 Леса

Уровень 3: 3.1.3 Смешанные леса

Уровень 1:5 Водные объекты ^ Уровень 2: 5.1 Внутернние воды

Уровень 3: 5.1.1 Водотоки / 5.1.2 Водоемы

Уровень 1: 1 Искусственные поверхности ^^ Уровень 2: 1.1 Городская застройка /

I- Уровень 1: 2 Сельскохозяйственные области

Уровень 2: 2.1 Пашня

Уровень 1: 2 Сельскохозяйственные области

Уровень 2: 2.4 Гетерогенные сельскохозяйственные районы

* Примечание. Интерпретация классов приведена в соответствии с программой CORINE

Рис. 3. Результаты проектирования карты фактического землепользования полигона «Чеберчинка» (фрагмент)

поля, на которых произрастают клевер, кукуруза, пшеница, рапс, рожь и ячмень.

Для анализа динамики биомассы были обработаны снимки за следующие даты вегетационного периода 2018 г.: 8 мая, 18 июня, 27 июля, 12 августа, 28 августа, 22 сентября. Выбор указанных временных дат связан с наличием материалов космофо-тосъемки на территории полигона в соответствующий период вегетации растительности.

Для визуализации индексной карты NDVI полученные значения классифицированы на 6 классов в цветовой гамме от крас-ног о до зеленого. Статистическая обработка в ы п о л н ена с помощью встроенного в ГИС ArcGIS модуля «Статистика». Полученные карты наглядно отражают изменение биомассы сельскохозяйственных культур в теч е н и е в егетационного периода 2018 г. ( р и с . 4 ) .

Рис. 4. Динамика вегетационного индекса тестовых полей полигона «Чеберчинка», 2018 г. (фрагмент)

Из шести полученных индексных изображений наименьшая степень вегетации характерна для 8 мая и 22 сентября (менее 0,1), наибольшая степень вегетации отмечалась 27 июля. На данную дату максимальной биомассой среди сельскохозяйственных культур характеризуются поля, занятые ячменем (0,69), а минимальной - рожью (0,40).

На представленных индексных картах NDVI пространственная неоднородность имеется как внутри границ, что обусловлено,

в перв у ю очередь, различием в биомассе, так и между отдельными выделами в разрезе сельскохозяйственных культур. Последний факт обусловливается различными условиями проведения опытов: неоднородностью почв, условиями гидроморфности и др. Для количественной оценки неоднородности NDVI по пикселям в границах полей были рассчитаны показатели статистики: среднее, минимальное и максимальное значения (табл. 1).

Таблица 1

Статистика NDVI сельскохозяйственных культур в пределах тестовых полей полигона «Чеберчинка»

М а V Мт Мах М а V Мт Мах М а V Мт Мах

Клевер 0,06 0,02 33,3 0,01 0,10 0,35 0,09 25,7 0,04 0,59 0,65 0,08 12,3 0,36 0,83

Кукуруза 0,05 0,02 40,0 0,01 0,09 0,09 0,03 33,3 0,03 0,61 0,68 0,11 16,2 0,27 0,86

Пшеница 0,05 0,02 40,0 0,01 0,08 0,27 0,04 14,8 0,16 0,54 0,41 0,09 22,0 0,26 0,84

Рапс 0,04 0,01 25,0 0,01 0,07 0,26 0,09 34,6 0,10 0,72 0,59 0,13 22,0 0,32 0,87

Рожь 0,05 0,02 40,0 0,01 0,09 0,24 0,05 20,8 0,17 0,57 0,40 0,13 32,5 0,28 0,81

Ячмень 0,02 0,01 50,0 0,01 0,04 0,25 0,08 32,0 0,03 0,80 0,69 0,10 14,5 0,38 0,90

М а V Мт Мах М а V Мт Мах М а V Мт Мах

Клевер 0,19 0,04 21,1 0,11 0,29 0,12 0,04 33,3 0,09 0,19 0,03 0,01 33,3 0,01 0,04

Кукуруза 0,25 0,04 16,0 0,09 0,35 0,18 0,03 16,7 0,07 0,25 0,03 0,01 33,3 0,01 0,06

Пшеница 0,15 0,03 20,0 0,11 0,33 0,11 0,02 18,2 0,08 0,23 0,02 0,01 50, 0,01 0,06

Рапс 0,23 0,07 30,4 0,12 0,41 0,17 0,05 29,4 0,08 0,29 0,04 0,01 25,0 0,02 0,08

Рожь 0,13 0,03 23,1 0,09 0,26 0,11 0,02 18,2 0,07 0,18 0,02 0,01 50,0 0,02 0,05

Ячмень 0,21 0,06 28,9 0,04 0,41 0,14 0,05 35,7 0,03 0,29 0,02 0,01 50,0 0 0,10

Зональная статистика NDVI для ячменя в наибольшей степени отличалась по полям по сравнению с остальными культурами. Эта разница может быть обусловлена неоднородностью почвенных условий. На 27 июля минимальные значения индекса характерны для полей, занятых светло-серыми лесными почвами (0,38), максимальные значения -темно-серыми лесными и черноземами (0,68 и 0,9 соответственно). Для остальных культур такая тенденция прослеживается в меньшей степени.

Динамика среднего значения NDVI рассмотрена по шести исследуемым сельскохозяйственным культурам (рис. 5). На рис. 5 приводится обобщенное значение для всех полей в разрезе соответствующей культуры. График сезонных изменений NDVI показывает, что начало активного прироста биомассы начинается у всех культур преимущественно в период с 8 мая по 18 июня. Наиболее позднее начало данного периода характерно для кукурузы. С 18 июня на графике наблюдается резкий прирост биомассы с максимальным значением 27 июля. На графике видно, что наибольшей биомассой среди сельскохозяйственных культур в этот период характеризуется ячмень, а наименьшей - рожь. С 12 августа происходит снижение значений вегетационного индекса в связи с наступлением фазы колошения, при которой содержание

хлорофилла сокращается, а также с началом сезонного сбора урожая. Таким образом, период основного прироста биомассы наблюдается с 18 июня до 12 августа.

Таким образом, индекс NDVI позволяет проследить динамику роста зеленой биомассы растений и ее снижение при созревании сельскохозяйственных культур за весь период вегетации. При этом данный показатель м о ж ет существенно варьироваться в пространстве, принимая различные значения на полях, занятых одной культурой. Получен-ны е в результате анализа сведения можно применить для дальнейших исследований по прогнозированию урожайности сельскохозяйственных культур.

Заключение. Современные тенденции нормативного правового обеспечения, опыт функционирования федеральных информационных ресурсов и региональных сервисов в с ф ере мониторинга сельскохозяйственного землепользования показывают, что в основе оперативного решения стратегических задач простр анственного развития территорий заложены геоинформационные и космические технологии, обеспечивающие обновление и верификацию метаданных. В связи с этим, стрежневая линия обеспечения принятия управленческих решений в области мониторинга сельскохозяйственных земель и форм ирования верифицированных инфраструктур пространственных данных в сфере

и 8 мая 18 июня 27 июля 12 августа 28 августа 22 сентября

Рапс 0,04 0,26 0,59 0,23 0,17 0,04

Рожь 0,05 0,24 0,4 0,13 0,11 0,02

Клевер 0,06 0,35 0,65 0,19 0,12 0,03

Кукуруза 0,05 0,09 0,68 0,25 0,18 0,03

Пшеница 0,05 0,27 0,41 0,15 0,11 0,02

Ячмень 0,02 0,25 0,69 0,21 0,14 0,02

Рис. 5. Динамика средних значений NDVI сельскохозяйственных культур в 2018 г.

сельскохозяйственного землепользования объединяет ГИС, систему обработки данных ДЗЗ и web-ориентированный ГИС-проект.

Узловая роль дешифрирования материалов ДЗЗ заключается в решении следующих принципиальных задач, получивших апробацию в настоящей работе: 1) инвентаризационное картографирование и оперативный мониторинг пространственной структуры землепользования в условиях процессов интенсивного хозяйственного освоения; 2) тематическое геоинформационное картографирование состояния сельскохозяйственных культур с целью формирования метаданных пространственных объектов.

* Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 20-37-70055.

Литература

Контактные данные:

Зарубин Олег Александрович, эл. почта: oieg-zarubin@iist.ru Ларина Алена Викторовна, эл. почта: iarina2705@yandex.ru Саулин Василий Александрович, эл. почта: sauiin11@maii.ru Шабайкина Виктория Александровна, эл. почта: shabaykinav@yandex.ru

© Зарубин О.А., Ларина А.В., Саулин В.А., Шабайкина В.А., 2020

THE USE OF MUL TIZONE SA TELLITE IMAGERY FOR THE PURPOSE OF GEOINFORMA TION MONITORING AND ANAL YSIS OF SPA TIAL CHARACTERISTICS OF AGRICULTURAL LAND USE

O.A. Zarubin*, A.V. Larína, V.A. Saulin, V.A. Shabaikina

National Research Ogarev Mordovia State University, Saransk, Russia

*E-mail: oleg-zarubin@list.ru

Abstract. The conceptual basis of the system of geoinformation monitoring of agricultural land use of the Russian Federation is analyzed in the article. The use of geographical information systems for the automated decoding of multizone satellite imagery is an essential tool for making correct management decisions in the field of land management, optimizing agricultural land use and an information basis for operational monitoring, assessing the state of crops, and predicting their productivity at the present stage of development of science and practice.

The possibilities of using Landsat-8 multi-zonal satellite images for the purposes of geoinformation monitoring and analysis of spatial data are considered. They are necessary to ensure agricultural land use. The library of the geographic portal of the Geological Survey of the United States of America was used as a source of Earth Remote Sensing data. The work was performed in GIS ArcGIS. The testing of spatial data analysis techniques was carried out using the Cheberchink research and development test site as an example. The territory is located in the forest-steppe of erosion-denudation plains of the Volga Upland in the administrative borders of the Republic of Mordovia.

The pre-processing technique for multizone satellite imagery and the algorithms for their classification (with and without training) were implemented by the authors in an article to model the structure of agricultural land use based on the Land Cover concept. This concept is part of the European Union&s «Coordination of information on the environment» (CORINE) program. The calculation of the normalized differential vegetation index (NDVI, Normalized Difference Vegetation Index) was performed to assess the condition of crops. An analysis of the dynamics of changes in biomass and a quantitative assessment of the heterogeneity of the NDVI index were carried out according to the results of calculating indicators for various types of crops: clover, corn, wheat, rape, rye, barley. The calculations were carried out during the growing season of 2018.

References

cons doc LAW 318094/006fb940f95ef67a1a3

fa7973b5a39f78dac5681/ (data obrashcheniya: 04.05.2020). (rus)

iblock/126/126b1552f6db8d71c3736a5a2354a6 98.pdf (data obrashcheniya: 04.05.2020). (rus)

remote sensing of the Earth (for example, the city district of Saransk)] // V sb.: XLVI Ogaryovskie chteniya: sb. nauch. trudov po itogam konf. Saransk: Izd-vo Mordov. un-ta, 2018. Pp. 126-129. (rus)

Contacts:

Oleg A. Zarubin, oieg-zarubin@iist.ru Alyona V. Larina, iarina2705@yandex.ru Vasiiy A. Saul in, sauiin11@maii.ru Viktoriya A. Shabaikina, shabaykinav@yandex.ru

© Zarubin, O.A., Larina, A.V., Saulin, V.A., Shabaikina, V.A., 2020

Зарубин О.А., Ларина А.В., Саулин В.А., Шабайкина В.А. Использование многозональных космических снимков для целей геоинформационного мониторинга и анализа пространственных характеристик сельскохозяйственного землепользования // Вектор ГеоНаук 2020. Т.3. №2. С. 37-50. DOI: 10.24411/2619-0761-2020-10017.

Zarubin, O.A., Larina, A.V., Saulin, V.A., Shabaikina, V.A., 2020. The use of multizone satellite imagery for the purpose of geoinformation monitoring and analysis of spatial characteristics of agricultural land use. Vector of Geosciences. 3(2). Pp. 37-50. DOI: 10.24411/2619-0761-2020-10017.