Ключевые характеристики растительного покрова, включая его состояние и продуктивность (Денисов и др., 2021, Середа и др., 2020), могут быть оценены с помощью биофизических характеристик, таких как LAI, FPAR и FCOVER. В частности, LAI является одним из важнейших параметров, контролирующих потоки энергии и вещества между растительным покровом и атмосферой, и используется в моделях биогеохимических циклов, в климатических моделях и при оценке продуктивности растений (Шабанов и др., 2018, De Witt et all, 2018). Однако методы сбора наземных измерений LAI ограниченно применимы в пространстве и времени и не могут конкурировать с методами дистанционной оценки ввиду неприемлемо высоких трудозатрат и низкой оперативности, поэтому в настоящее время дистанционное зондирование является безальтернативным способом для оперативного получения измерений LAI растительного покрова на больших территориях.
Методы дистанционного определения биофизических характеристик могут полагаться на использование карт растительного покрова (Pu et al., 2020), которые предоставляют информацию о тематическом классе объекта растительного покрова (и опосредованно о предполагаемой архитектуре растений) для использования в моделях переноса излучения с целью вычисления LAI. В этом случае ошибки дистанционных оценок LAI зачастую сопряжены с тематическими и временными ограничениями карт растительного покрова. Эта проблема наиболее актуальна для классов культурной растительности (Yang et al., 2010), поскольку сельскохозяйственные растения обладают значительной видовой и морфологической изменчивостью, а занятая ими территория характеризуется неоднократной сменой культур с различной архитектурой в течение одного сезона вегетации.
Оценка биофизических характеристик путём инверсии физических моделей переноса излучения (RTM) не предполагает использование дополнительных карт. В этом случае потребуется информация о биофизических и морфологических характеристиках растения (концентрация хлорофилла, каротиноидов и антоцианов, ориентация листьев и другие), а также о спектральных характеристиках и влажности подстилающей поверхности, геометрии наблюдения и освещения (Impollonia et., 2022).
Отечественная спутниковая система КМСС (спутники серии Метеор-М) обладает востребованным сочетанием частоты повторных наблюдений (каждые 3-5 дней) и пространственного разрешения (60 метров), при этом прибор КМСС-М обеспечивает возможность одновременного получения разноугловых мультиспектральных наблюдений растительного покрова, что представляет дополнительный интерес для использования в моделях переноса излучения и измерения биофизических характеристик растительного покрова (Плотников и др., 2020, Plotnikov et al., 2023). Проект РНФ, посвященный измерению биофизических характеристик растительного покрова по данным прибора КМСС, предусматривает решение следующих задач: развитие методов обработки мультиспектральных данных КМСС, направленных на формирование геопривязанных разноугловых наблюдений земной поверхности; создание базы данных для обучения модели и инверсия PROSAIL с помощью методов машинного обучения; а также валидация результатов на основе данных из других источников, включая наземные обследования.
В настоящем докладе представлены результаты наземных обследований пшеницы, ячменя, подсолнечника и кукурузы, позволившие непосредственно измерить LAI и FPAR фиксированных участков на соответствующих полях в виде серии многократных повторных инструментальных измерений в течение части вегетационного сезона 2023 года. Также были изучены распределения геометрических характеристик для съёмочных систем Метеор-М №2 и Метеор-М №2.2 (углы визирования, фазовый угол и угол Солнца). Таким образом, на основе спутниковой информации, данных полевых обследований и результатов метаанализа были восстановлены распределения входных параметров модели, определена схема сэмплирования и создана база данных результатов моделирования PROSAIL. В результате экспериментов на основе полученной базы данных была найдена оптимальная архитектура нейросети, обеспечивающая минимальное значение средней абсолютной ошибки оценки LAI в 0.2 единиц, а также экспериментально установлен оптимальный размер обучающей выборки.
Работа выполнена в рамках проекта РНФ 23-27-00412 с использованием ресурсов ЦКП «ИКИ-Мониторинг» (Лупян и др., 2015), функционирование и развитие которого осуществляется при поддержке Минобрнауки (тема "Мониторинг" № 122042500031-8)