Неблагоприятные условия, такие как засухи, заморозки, град и пылевые бури, могут приводить к повреждению посевов сельскохозяйственных культур и потере урожая. Данные спутникового мониторинга позволяют детектировать наличие аномалий в развитии культур. Например, для этого часто используется вегетационный индекс NDVI. Визуальный экспертный анализ отклонения его значений в текущем сезоне от среднемноголетних позволяет оценить состояние посевов. В данной работе исследуется возможность построения автоматизированной системы детектирования аномалий, минимизирующей субъективный фактор в их оценке.
Ранее нами исследовалась возможность построения нормы развития с.-х. растительности на основе данных одного года с целью фильтрации некорректной наземной информации о культурах на полях (Хвостиков и Барталев, 2019). Но для оценки аномалий необходимо учитывать всю возможную межгодовую вариацию погодных условий, которая приводит к значительной вариации в датах сева, начале роста и динамике с.-х. посевов. Таким образом, для построения норм на основе многолетних данных необходимо доработать ранее предложенный метод построения эталонов.
Известно, что скорость развития растений зависит от температуры воздуха, и для достижения растениями определенной фазы роста необходимо накопление определенной суммы температур. Таким образом, приведение временных рядов вегетационных индексов к единой шкале накопленных температур позволяет оценивать отклонение посевов от нормы в сопоставимых фазах их развития. Но использование шкалы накопленных температур требует выбора устойчивой точки отсчета, соответствующей одному и тому же этапу развития культуры для разных лет.
Для определения устойчивого этапа развития по спутниковым данным часто используют методы оценки начала вегетации. В работе было опробовано 5 разных методов оценки начала вегетации, а также были применены дополнительные метеорологические ограничения на начало вегетации. Для оценки устойчивости детектированной фазы развития был продолжен критерий, основанный на корреляции временных рядов NDVI, приведенных к единой шкале накопленных температур. Было опробовано большое количество разных методов оценки начала вегетации: двойной прирост, прирост с возможностью спада 50%, отклонение от среднего (Reed et al., 1994), наибольший прирост (Миклашевич и Барталев, 2016), гауссовские кривые (Jönsson и Eklundh, 2004) и метеорологические лимиты. Анализ показал, что наибольшую устойчивость обеспечивает критерий, основанный на аппроксимации временного ряда гауссовыми кривыми.
Предлагаемый в данной работе метод оценки наличия аномалий состоит в сборе многолетней статистики динамики вегетационного индекса для репрезентативной выборки полей данной культуры, приведения их к единой шкале накопленных температур и сравнения значения NDVI исследуемого поля с историческими данными. Для оценки степени отклонения могут использоваться средние значения индекса и его стандартное отклонение, или перцентили. Для исключения влияния случайных отклонений предлагается анализировать устойчивость аномалии в течение некоторого интервала времени, например 3 недель. При наличии примеров полей с аномалиями есть возможность определить пороги на перцентили или стандартные отклонения, которые максимизируют процент детектированных аномалий и минимизируют ошибки 1 и 2 рода.
Инфраструктура и архивы спутниковых данных ЦКП «ИКИ-Мониторинг» (Лупян и др., 2015) был использованы для получения восстановленных рядов вегетационного индекса NDVI по результатам измерений спектрорадиометром MODIS (Плотников и др. 2014). После этого проводилась фильтрация полей с недостоверной информацией о культурах на них на основе подхода, описанного нами ранее (Хвостиков и Барталев, 2019). Метод был применен для полей с наземной информацией о наличии аномалий, представляющих несколько основных культур в разных регионах России. Был установлен порог, равный 12,5 перцентили, или 1,1 стандартных отклонения от среднего, который позволяет в большинстве случаев успешно детектировать наличие аномалии на поле.
Работа выполнена в рамках темы «Мониторинг» (госрегистрация № 01.20.0.2.00164), c использованием ресурсов ЦКП «ИКИ-Мониторинг» (Лупян и др., 2015, 2019).