Двадцать вторая международная конференция "СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"
XXII.F.453
Исследование возможности дистанционного распознавания орошаемых земель Республики Крым
Ёлкина Е.С. (1), Плотников Д.Е. (1), Дунаева Е.А. (2)
(1) Институт космических исследований РАН, Москва, Россия
(2) ФГБУН Научно-исследовательский институт сельского хозяйства Крыма, Москва, Россия
Исследование возможности распознавания орошаемых земель на территории Крымского полуострова направлено на получение исторической и актуальной картографической информации о расположении орошаемых земель. Зависимость продуктивности сельскохозяйственных земель Республики Крым от климатических условий определяет необходимость использования орошения для устойчивого получения урожаев сельскохозяйственных культур. В период 2014-2020 гг. резко меняется структура посевных площадей полуострова вследствие прекращения подачи воды по Северо-Крымскому каналу, возникает дефицит водных ресурсов. В настоящее время поливается лишь порядка 5% от общего количества мелиорированных земель, при этом объективной и независимой оценки площадей, а также динамики изменений площадей орошаемых земель пока получено не было. Ранее проводимые исследования научным коллективом в области мониторинга посевов по спутниковым данным (Дунаева и др., 2019; Плотников и др., 2020; Плотников и др., 2024) позволили отработать методы идентификации различных типов культур и диагностики наступления засушливых условий для Республики Крым.
В настоящей работе описаны результаты исследования возможности распознавания орошаемых сельскохозяйственных земель на основе оптических и тепловых спутниковых данных Landsat-8 на территории Республики Крым. В докладе приводятся результаты исследования возможностей распознавания орошаемых земель по данным оптических и тепловых каналов спутника Landsat-8 на территорию полуострова за периоды 1990-1993 гг. и 2020-2023 гг. Для оценки информативности разработанных признаков, а также для картографирования на их основе орошаемых участков был использован метод Random Forest (Breiman, 2001). Общая точность классификации в среднем составила более 95%. Полученные оценки площадей орошаемых земель были сопоставлены с данными статистки за исследуемые годы. Анализ показал, что наиболее информативными являются признаки, основанные на фенологических особенностях орошаемых культур, сезонных максимальных температурах, а также медианных значениях индекса GNDVI (Green Normalized Difference Vegetation Index). Работа выполняется в рамках проекта РНФ № 24-27-00251 «Разработка алгоритма оценки потенциала биопродуктивности земель на основе данных ДЗЗ в условиях различной водообеспеченности». При выполнении работы использовались возможности УНУ ВЕГА-Science (Loupian et al., 2022), входящей в Центр коллективного пользования «ИКИ-Мониторинг» (Лупян и др., 2019).
Ключевые слова: орошаемые земли, Landsat, Sentinel-2, Random Forest, вегетационные индексы, рациональное природопользование
Литература:
- Дунаева Е.А., Плотников Д.Е., Хвостиков С.А. и др. Использование данных дистанционного зондирования для ранней диагностики наступления засушливых условий // Таврический вестник аграрной науки. 2019. № 4 (20). С. 28-45. DOI 10.33952/2542-0720-2019-4-20-28-45.
- Лупян Е.А., Прошин А.А., Бурцев М.А. и др. Опыт эксплуатации и развития центра коллективного пользования системами архивации, обработки и анализа спутниковых данных (ЦКП "ИКИ-Мониторинг") // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С. 151-170. DOI: 10.21046/2070-7401-2019-16-3-151-170.
- Плотников Д.Е., Ёлкина Е.С., Дунаева Е.А. и др. Развитие метода автоматического распознавания озимых культур на основе спутниковых данных для оценки их состояния на территории Республики Крым //
- Таврический вестник аграрной науки. 2020. № 1 (21). С. 64-82. DOI 10.33952/2542-0720-2020-1-21-64-83.
- Плотников Д.Е., Бойматов Ю.Ш., Ёлкина Е.С., Щербенко Е.В., Плотникова А.С. Оценка эффективности мультисезонных моделей машинного обучения для оперативного распознавания озимых культур на больших территориях // Современные проблемы дистанционного зондирования Земли из космоса. 2024 (в печати).
- Breiman L. Random forests // Machine learning. 2001. V. 45. P. 5–32.
- Loupian E.A., Bourtsev M.A., Proshin A.A. et al. Usage Experience and Capabilities of the VEGA-Science System // Remote Sensing. 2022. Vol. 14. N 1. P. 77. DOI:10.3390/rs14010077.
Дистанционное зондирование растительных и почвенных покровов