Спектральные характеристики некоторых сельскохозяйственных культур в различные фенологические фазы вегетации

Для дешифрирования сельскохозяйственных культур в различные временные периоды необходимо обладать информацией о спектральной отражательной способности растений во время прохождения ими фенологических фаз вегетации. В работе предпринята попытка произвести оценку спектральной отражательной способности основных плодовых сельскохозяйственных культур и винограда в разные фенологические фазы вегетации с использованием космических снимков Sentinel-2 и программного комплекса ENVI. С помощью полевых методов исследования были подобраны участки, на которых произрастают персик, виноград, черешня, яблоня, слива, абрикос. Установлено, что посадка сельскохозяйственных культур выполнялась путем смешения сортов, с целью снижения риска получения дополнительных издержек в результате возможных неблагоприятных природных процессов и явлений. Для каждого участка получены и проанализированы максимальные, минимальные и средние значения коэффициента спектральной яркости в пределах 13 каналов космических снимков Sentinel-2. Космические снимки были выбраны за 07.04.2019, 27.04.2019 и 12.05.2019 года, как наиболее подходящие к периодам начала цветения (07.04.2019), окончания цветения (27.04.2019) и начала созревания плодов(12.05.2019), с минимальными значениями перекрытия облаками. Для устранения внешнего воздействия почвы в пределах каждого пикселя изображения был использован модуль линейного спектрального разделения программного комплекса ENVI, подобран эталонный фрагмент почвы и получены его спектральные характеристики, что позволило изобразить графики спектральных кривых рассматриваемых сельскохозяйственных культур в пределах каждого участка. Получить разграничение коэффициента спектральной яркости удалось не для всех участков, что связано с наличием дополнительных внешних элементов.

1. Бондур В.Г. Современные подходы к обработке больших потоков гиперспектральной и многоспектральной аэрокосмической информации // Исследование Земли из космоса. 2014. № 1. С. 4-17.

2. Борзов C.M., Потатуркин О.И. Обнаружение выборочных рубок леса по данным дистанционных измерений высокого пространственного разрешения // Исследование Земли из космоса. 2014. № 4. С. 87.

3. Гусейнов Г. А., Смоктий О.И. Информационные свойства спектральных коэффициентов яркости и вегетационных индексов для калибровки аэрокосмических снимков // Труды СПИИРАН. 2005. Т. 2. № 2. С. 360-367.

4. Жирин B.M., Эйдлина С.П., Князева С.В. Опыт лесоводственного анализа последствий пожаров по космическим изображениям // Современные проблемы дистанционного зондирования Земли из космоса. 2013. Т. 10. № 3. С. 243-259.

5. Исследование отражательной способности. M.: Гос. науч.-техн, горно-геол.нефт. изд-во, 1934. 84с.

6. Козодеров B.B., Кондранин T.B., Казанцев О.Ю., Бобылев В.И., Щербаков М.В., Борзяк В.В., Дмитриев Е.В., Егоров В.Д., Каменцев В.П., Беляков А.Ю., Логинов С.Б. Обработка и интерпретация данных гиперспектральных аэрокосмических измерений для дистанционной диагностики природно-техногенных объектов // Исследование Земли из космоса. 2009. № 2. С. 36-54.

7. Козодеров В.В., Кондранин Т.В., Косолапов В.С., Головко В.А., Дмитриев Е.В. Восстановление объема фитомассы и других параметров состояния почвенно¬ растительного покрова по результатам обработки многоспектральных спутниковых изображений //Исследование Земли из космоса. 2007. № 1. С. 57-65.

8. Колесникова O.H., Черепанов А. С. Возможности ПК ENVI для обработки мультиспектральных и гиперспектральных данных // Геоматика. 2009. № 3. С. 24-27.

9. Кондратьев К.Я., Феченко П.П. Спектральная отражательная способность и распознавание растительности. Л.: Гидрометеоиздат, 1982. 216с.

10. Кринов Е.Л. Спектральная отражательная способность природных образований. М.: Изд. АНСССР, 1947. 272с.

11. Рачкулик B.H., Ситникова M.B. Отражательные свойства и состояние растительных покровов. Л: Гидрометеоиздат, 1981. 267с.

12. Чапурский Л.И. Отражательные свойства природных объектов в диапазоне 4002500 нм. Часть 1. Л.: МОСССР, 1986. 160с. [Chapursky L.I. Reflective properties of natural objects in the range of 400-2500 nm. Part 1. Leningrad: Ministry of Defense of the USSR, 1986. 160 p.]

13. Шульц Г.Э. Общая фенология. Л.: Наука, 1981. 188с.

14. Adamowski K. Spectral density of a river flow time series // Journal of Hydrology. 1971. Vol. 14(1). pp. 43-52. doi: 10.1016/0022-1694(71)90091-6

15. Ashish D., McClendon R.W., Hoogenboom G. Land use classification of multispectral aerial images using artificial neural networks // International Journal of Remote Sensing. 2009. Vol. 30(8). pp. 1989-2004. doi: 10.1080/01431160802549187

16. Asner G.P., Heidebrecht K.B. Spectral unmixing of vegetation, soil and dry carbon cover in arid regions: Comparing multispectral and hyperspectral observations // International Journal of Remote Sensing. 2002. Vol. 23(19). pp. 3939-3958. doi:10.1080/01431160110115960

17. Call K.A., Hardy J. T., Wallin D. O. Coral reef habitat discrimination using multivariate spectral analysis and satellite remote sensing // International Journal of Remote Sensing. 2003. Vol. 24(13). pp. 2627-2639. doi: 10.1080/0143116031000066990

18. Hirano A., Madden M., Welch R. Hyperspectral image data for mapping wetland vegetation/ / Wetlands. 2003. Vol. 23 (2). pp. 436-448. doi: 10.1672/18-20

19. Jacquemoud S., Baret E , Hanocq J.F. Modeling spectral and bidirectional soil reflectance/ / Remote Sensing of Environment. 1992. Vol. 41 (2-3). pp. 123-132.

20. Karami M., Rangzan K., Saberi A. Using GIS servers and interactive maps in spectral data sharing and administration: Case study of Ahvaz Spectral Geodatabase Platform (ASGP) // Computers & Geosciences. 2013. Vol. 60. pp. 23-33. doi:10.1016/j.cageo.2013.06.007

21. Landsberg H.E., Kaylor R.E. Spectral analysis of long meteorological series // Journal of Interdisciplinary Cycle Research. 1976. vol. 7. no. 3. pp. 237-243.

22. Lu D., Li G., Valladares G.S., Batistella M. Mapping soil erosion risk in Rondonia, Brazilian Amazonia: using RUSLE, remote sensing and GIS // Land Degradation & Development. 2004. Vol. 15(5). pp. 499-512. doi:10.1002/ldr.634

23. Luck-Vogel M., Mbolambi C., Rautenbach K., Adams J., van Niekerk L. Vegetation mapping in the St Lucia estuary using very high-resolution multispectral imagery and LiDAR // South African Journal of Botany. 2006. Vol. 107. pp. 188-199. doi:10.1016/j.sajb.2016.04.010

24. Lunetta RS., Ediriwickrema J., Hames J., Johnson D.M., Lyon J.G., Me Kerrow A., Pilant A. A Quantitative Assessment of a Combined Spectral and GIS Rule-Based LandCover Classification in the Neuse River Basin of North Carolina // Photogrammetric Engineering & Remote Sensing. 2009. Vol. 69(3). pp. 299-310. doi:10.14358/pers.69.3.299

25. Mayaux P., Bartholome E., Fritz S., Belward, A. A new land-cover map of Africa for the year 2000 // Journal of Biogeography. 2004. Vol. 31(6). pp. 861-877. doi: 10.1111/j.13652699.2004.01073.x.

26. Molleri G. S. F , Kampel, M., de Moraes Novo E. M. L. Spectral classification of water masses under the influence of the Amazon River plume // Acta Oceanologica Sinica. 2010. Vol. 29(3). pp. 1-8. doi:10.1007/sl3131-010-0031-l

27. Parrish D.F., Derber J.C. The National Meteorological Center's spectral statisticalinterpolation analysis system // Monthly Weather Review. 1992. vol. 120. no. 8. pp. 17471763.

28. Rivero R. G., Grunwald S., BinfordM. W., Osborne, T. Z. Integrating spectral indices into prediction models of soil phosphorus in a subtropical wetland // Remote Sensing of Environment. 2009. Vol. 113(11). pp. 2389-2402. doi:10.1016/j.rse.2009.07.015

29. Roberts D.A., Ustin S.L., Ogunjemiyo S., Greenberg J., Dobrowski S.Z., Chen J., Hinckley T.M. Spectral and Structural Measures of Northwest Forest Vegetation at Leaf to Landscape Scales//Ecosystems. 2004. Vol. 7(5). doi:10.1007/sl0021-004-0144-5

30. Salih A.A. M., Ganawa E.-T, Elmahl A.A. Spectral mixture analysis (SMA) and change vector analysis (CVA) methods for monitoring and mapping land degradation/desertification in arid and semiarid areas (Sudan), using Landsat imagery // The Egyptian Journal of Remote Sensing and Space Science. 2017. Vol. 20, S21-S29. doi:10.1016/j.ejrs.2016.12.008

31. Sanyal J., Lu X.X. Remote sensing and GIS-based flood vulnerability assessment of human settlements: a case study of Gangetic West Bengal, India // Hydrological Processes. 2005. Vol. 19(18). pp. 3699-3716. doi:10.1002/hyp.5852

32. Small C. Estimation of urban vegetation abundance by spectral mixture analysis // International Journal of Remote Sensing. 2001. Vol. 22(7). pp. 1305-1334.

33. Smith M. J., Pain C.F. Applications of remote sensing in geomorphology // Progress in Physical Geography. 2009. Vol. 33(4). pp. 568-582. doi: 10.1177/0309133309346648

34. Tabunshchyk V.A., Petlukova E.A., Hytrin M.O. The use of Satellite Imagery Sentinel 2 for Analysis of Land Used in Agriculture (for Example Razdolnensky District of the Republic of Crimea) // Proceedings of the T.I. Vyazemsky Karadag scientific station Nature Reserve of the RAS. 2018. no 1. pp. 43-57.

35. Tansey K., Chambers I., Anstee A., Denniss A., Lamb A. Object-oriented classification of very high resolution airborne imagery for the extraction of hedgerows and field margin cover in agricultural areas // Applied Geography. 2009. Vol. 29(2). pp. 145-157. doi:10.1016/j.apgeog.2008.08.004

36. Yuan F. Land cover change and environmental impact analysis in the Greater Mankato area of Minnesota using remote sensing and GIS modelling // International Journal of Remote Sensing. 2008. Vol. 29(4). pp. 1169-1184. doi: 10.1080/01431160701294703

37. YuanM., Dickens-Micozzi M., MagsigM.A. Analysis of Tornado Damage Tracks from the 3 May Tornado Outbreak Using Multispectral Satellite Imagery // Weather and Forecasting. 2002. Vol. 17(3). pp. 382-398. doi :10.1175/15200434(2002)017<0382:aotdtf>2.0.co;2.