Категория: Дистанционное зондирование

Технологии дистанционного зондирования коренным образом изменили способы измерения, мониторинга и управления живой массой наземной поверхности нашей планеты. Расчет биомассы суши с помощью дистанционного зондирования перестал быть исследовательской диковинкой, ограниченной университетскими лабораториями, и теперь является важнейшим оперативным инструментом, используемым правительствами, лесными ведомствами, учеными-агрономами и исследователями климата по всему миру.

Рынок дистанционного зондирования в сельском хозяйстве оценивался в 1 триллион танзанийских шиллингов, 4 триллиона рупий, 3,8 миллиарда в и прогнозируется его рост до 1 триллион рупий, 4 триллиона рупий, 9,6 миллиарда к 2034 году в Среднегодовой темп роста составил 10,91 ТП3Т, Согласно отраслевому отчету Dataintelo за 2026 год, значительная часть этого роста обусловлена спросом на надежные данные о биомассе для поддержки учета выбросов углерода, точного земледелия и экологического мониторинга.

Что такое наземная биомасса?

Наземная биомасса (общая сухая масса всего органического материала на определенной территории) измеряется в метрических единицах, таких как... тонн на гектар (т/га) или мегаграммов на гектар (Мг/га), где 1 Мг равен 1 метрической тонне. Это представляет собой накопленный продукт фотосинтеза — углерод, который растения, деревья и другие организмы поглотили из атмосферы и зафиксировали в физической материи.

Это один из наиболее эффективных индикаторов состояния экосистемы, накопления углерода и урожайности сельскохозяйственных культур, однако традиционные наземные методы измерения долгое время были слишком медленными, дорогостоящими и ограниченными по пространству, чтобы удовлетворить потребности современного землепользования.

Надземная биомасса (НБ) и подземная биомасса (ПБ)

Ученые делят биомассу на две основные категории. Надземная биомасса (НБ) покрывает все, что растет над поверхностью почвы — стебли, стволы, ветви, листья и стоящую мертвую древесину. Подземная биомасса (ПБ) покрывает корневые системы и другой органический материал, находящийся под поверхностью. В большинстве лесных экосистем ПБ составляет приблизительно 20–30% от общей биомассы, и его измерение по-прежнему гораздо сложнее, чем оценка надземной биомассы.

Биомасса также подразделяется на живую биомассу (активно растущий, метаболически активный растительный материал) и мертвую биомассу (стоящая или упавшая мертвая древесина, сухая подстилка). Оба типа накапливают углерод и вносят вклад в общий запас углерода в ландшафте, но по-разному реагируют на пожары, болезни и методы управления.

В качестве экологического индикатора биомасса занимает уникально важное место. Высокие значения биомассы свидетельствуют о продуктивных, здоровых экосистемах с высоким потенциалом поглощения углерода. Тенденции к снижению биомассы указывают на вырубку лесов, засуху, деградацию почвы или чрезмерную заготовку урожая. Для фермеров, выращивающих сельскохозяйственные культуры, надземная биомасса напрямую коррелирует с потенциальным урожаем зерна, что делает ее одним из наиболее практичных показателей в точном земледелии.

Зачем рассчитывать биомассу суши с помощью дистанционного зондирования?

Традиционная оценка биомассы основана на полевых измерениях: исследователи собирают образцы на пробных участках, сушат растительный материал в печах и взвешивают его для определения сухой массы на единицу площади. Этот разрушительный и трудоемкий процесс работает в масштабе пробного участка, но становится совершенно непрактичным, когда необходимы данные о биомассе для национального леса, речного бассейна или континентальной сельскохозяйственной зоны. Ключевые ограничения наземных полевых исследований

1. Пространственное покрытие существенно ограничено. В реальности полевая группа может измерить биомассу на нескольких десятках участков за сезон. Спутник же охватывает миллионы гектаров за один пролет, что делает мониторинг ландшафта в масштабах, сопоставимых с реальными, невозможным без дистанционного зондирования.

2. Полевые исследования — дорогостоящий и трудоемкий процесс. Развертывание подготовленного персонала в отдаленных лесных массивах или на обширных сельскохозяйственных угодьях требует значительных бюджетных средств, логистической координации и времени — и все эти ресурсы плохо масштабируются по мере расширения обследуемых территорий.

3. Деструктивный отбор проб наносит ущерб экосистеме. Сбор урожая на опытных участках для взвешивания биомассы уничтожает именно ту растительность, которая изучается, что несовместимо с долгосрочными программами мониторинга, требующими многократных измерений в одном и том же месте.

4. Временная частота слишком низкая. Как правило, полевые группы обследуют участок не чаще одного раза в год. Спутники же могут возвращаться в одно и то же место каждые несколько дней, что позволяет осуществлять непрерывный мониторинг сезонных изменений биомассы и оперативно реагировать на такие события, как пожар или засуха.

Дистанционное зондирование решает все эти проблемы одновременно. Один снимок со спутника Sentinel-2 охватывает... 290 км² на сцену в Пространственное разрешение 10 метров, обеспечивая воспроизводимые, всесторонние данные о растительности без дополнительных затрат на каждый гектар. Области применения точных данных о биомассе земли весьма обширны:

• Учет выбросов углерода и REDD+: Международные климатические рамки требуют проверенных оценок запасов углерода в лесах. Карты биомассы, созданные на основе дистанционного зондирования, обеспечивают пространственное покрытие и частоту обновления, которые одни только национальные лесные инвентаризации не могут обеспечить.
• Сельскохозяйственный мониторинг: Биомасса сельскохозяйственных культур на разных стадиях роста позволяет прогнозировать конечный урожай, определять график орошения и выявлять признаки стресса на ранних стадиях, прежде чем он приведет к снижению продуктивности.
• Управление лесными ресурсами: Объём древесины, количество горючего материала, представляющего опасность лесных пожаров, и оценка биоразнообразия — всё это зависит от надёжных оценок биомассы на больших лесных территориях.
• Экологический менеджмент: Мониторинг деградации земель, оценка состояния водно-болотных угодий и выявление инвазивных видов используют изменение биомассы в качестве основного сигнала.

Как дистанционное зондирование измеряет биомассу суши: физические принципы.

Любая система дистанционного зондирования — будь то оптический спутник, радар или лазер — собирает информацию о растительности, измеряя взаимодействие электромагнитной энергии с растительным материалом. Понимание этого взаимодействия является ключом к пониманию того, почему дистанционное зондирование вообще позволяет оценивать биомассу.

Растения отражают, поглощают и пропускают электромагнитное излучение по-разному в зависимости от своего внутреннего химического состава, содержания воды, структуры листьев и архитектуры кроны. Хлорофилл (зеленый пигмент, обеспечивающий фотосинтез) сильно поглощает красные и синие волны, отражая при этом зеленую и ближнюю инфракрасную энергию.

Таким образом, здоровая, густая растительность демонстрирует характерную спектральную картину: низкое отражение в красном диапазоне и высокое отражение в ближнем инфракрасном диапазоне. Эта картина — называемая спектральной сигнатурой — измерима из космоса, и ее интенсивность коррелирует с количеством растительного материала на единицу площади.

От спектральных сигналов к показателям биомассы

Датчики регистрируют спектральную сигнатуру и вычисляют индексы растительности (математические коэффициенты, количественно определяющие интенсивность сигнала растительности на данном изображении). Затем эти индексы связываются с биомассой с помощью статистических моделей или моделей машинного обучения, откалиброванных на основе полевых измерений биомассы. В результате получается пространственно непрерывная карта биомассы — каждому пикселю изображения присваивается прогнозируемое значение биомассы.

Процесс обработки данных следует четкой последовательности. Исходные спутниковые данные поступают с геометрическими искажениями и атмосферными помехами. Предварительная обработка исправляет эти ошибки. Индексы растительности рассчитываются на основе скорректированных изображений. Образцы биомассы, измеренные в полевых условиях, служат эталонными данными для калибровки модели. Затем проверенная модель применяется ко всему изображению для получения окончательной карты биомассы.

Помимо спектральной отражательной способности, информацию о биомассе несут и дополнительные физические сигналы. Высота растительного покрова — насколько высока растительность — является мощным индикатором биомассы надземной части растения. Плотность растений (количество стеблей на гектар) определяет количество поглощаемого света. Шероховатость поверхности (определяемая радаром) отражает структурную сложность растительного покрова. Датчики, измеряющие эти структурные свойства, а не только отражательную способность, часто обеспечивают более высокую точность оценки биомассы.

Виды дистанционного зондирования, используемые для оценки биомассы.

Ни один датчик не является универсальным инструментом для оценки биомассы во всех экосистемах и масштабах. Ученые и специалисты комбинируют несколько типов датчиков в зависимости от целевой растительности, бюджета, требуемой точности и географического охвата.

Сегодня наиболее точные карты биомассы создаются не на основе данных одного датчика, а путем интеллектуального объединения оптических, радиолокационных и лидарных данных, причем каждый из них заполняет «слепые зоны» других.

1. Оптические спутниковые снимки: мультиспектральные и гиперспектральные

Оптические датчики улавливают отраженный солнечный свет в дискретных спектральных диапазонах, обычно охватывающих видимые длины волн (синий, зеленый, красный) и ближний инфракрасный (ИК) диапазон. Многоспектральные изображения (данные из 4–10 спектральных диапазонов) составляют основу большинства оперативных программ картирования биомассы во всем мире, в значительной степени благодаря бесплатным непрерывным потокам данных с миссий Sentinel-2 и Landsat.

Гиперспектральные изображения (данные из сотен узких, смежных спектральных полос) обеспечивают гораздо более высокую детализацию спектра. Они позволяют различать пигменты растений, содержание воды и химический состав листьев на уровне, недоступном для мультиспектральных датчиков.

Это делает его особенно полезным для обнаружения тонких различий в плотности биомассы на лугах и сельскохозяйственных полях. Главным ограничением гиперспектральной съемки является облачность: оптические датчики не могут видеть сквозь облака, что приводит к значительным пробелам в данных во влажных тропических регионах, где оценка биомассы наиболее важна.

К числу распространенных спутников, используемых для оптического картирования биомассы, относятся Landsat 8/9 (разрешение 30 метров, период наблюдения 16 дней), Sentinel-2 (разрешение 10 метров, период наблюдения 5 дней) и PlanetScope (разрешение 3 метра, ежедневный период наблюдения для коммерческих приложений).

2. Радар (SAR): видимость сквозь облака и сквозь растительный покров.

Радиолокатор с синтезированной апертурой (SAR) — система, излучающая микроволновые импульсы и измеряющая энергию, отраженную от поверхности земли, — полностью решает проблему облачного покрова. Микроволновая энергия проходит сквозь облака и дымку без помех, что делает SAR предпочтительным датчиком для мониторинга тропических лесов, где постоянная облачность делает оптические изображения практически непригодными.

Сигналы SAR также проникают в растительный покров, взаимодействуя с древесными стеблями и ветвями, а не только с самой верхней поверхностью листьев. Чем длиннее длина волны радара, тем глубже проникает сигнал. SAR в L-диапазоне (длина волны около 23 см, используемая ALOS-2 PALSAR-2) проникает в нижний ярус растительности и взаимодействует с крупной древесной биомассой, что делает его особенно подходящим для оценки надземной биомассы тропических лесов.

SAR-диапазон C (длина волны около 5 см, используемый спутником Sentinel-1) более чувствителен к структуре растительного покрова и широко используется для мониторинга биомассы сельскохозяйственных культур.

Исследование опубликовано в Журнал лесных исследований (Springer Nature, 2021) обнаружили, что данные SAR L-диапазона ALOS-2 и C-диапазона Sentinel-1 позволяют удовлетворительно оценить запасы углерода, при этом общие запасы углерода в исследуемой области средиземноморского леса достигают приблизительно 130 т/га в совокупности по надземной, подземной, сухостойной древесине, подстилке и почвенным скоплениям.

3. LiDAR: Золотой стандарт для структурного картирования биомассы.

Система LiDAR (Light Detection and Ranging) излучает лазерные импульсы и измеряет точное время их отражения от целевой поверхности. Это время напрямую преобразуется в трехмерные облака точек (плотные карты точного местоположения каждого отраженного лазерного импульса), которые позволяют с точностью до сантиметра определить высоту, структуру растительного покрова и высоту местности.

Высота дерева является одним из наиболее точных показателей надземной биомассы — более высокие деревья несут экспоненциально больше биомассы, чем более низкие. Модели высоты, полученные с помощью лидара, в сочетании с аллометрическими уравнениями, измеренными в полевых условиях (видоспецифические математические зависимости между высотой, диаметром и массой дерева), позволяют получить оценки биомассы, которые неизменно превосходят оптические или радиолокационные методы в лесных ландшафтах.

Миссия НАСА по исследованию глобальной динамики экосистем (GEDI) — многолучевой лидарный прибор, установленный на Международной космической станции, — представляет собой первую специально разработанную космическую лидарную систему для глобальной оценки биомассы. GEDI собирает данные в диапазоне широт от 51,6°N до 51,6°S, охватывая основные тропические и умеренные лесные зоны мира.

4. Дистанционное зондирование с использованием дронов: полевые исследования с высоким разрешением.

Беспилотные летательные аппараты (БПЛА), обычно называемые дронами, заполняют пробел между спутниковыми и полевыми измерениями. Дрон, оснащенный RGB-камерами, делает снимки с разрешением в несколько сантиметров, позволяющие различать отдельные растения.

Многоспектральные датчики дронов вычисляют точные индексы растительности в масштабе участка. Дроны, оснащенные лидарами, генерируют плотные облака точек, позволяющие оценивать биомассу с точностью, сравнимой со структурной точностью бортового лидара, но при этом значительно снижают затраты.

Для фермеров, занимающихся растениеводством, картирование биомассы с помощью дронов особенно практично. Один полет над полем пшеницы или кукурузы на стадии вегетативного роста позволяет получить карту плотности биомассы, которая отмечает участки с низкой биомассой, где может потребоваться дополнительное внесение удобрений или орошение, прежде чем ущерб станет необратимым.

Индексы растительности, используемые для оценки биомассы.

Индексы растительности представляют собой математический мост между исходными значениями спектральной отражательной способности и биологической информацией о плотности и состоянии растений. Каждый индекс использует определенную часть электромагнитного спектра, в которой растительность ведет себя особым образом.

NDVI (нормализованный разностный индекс растительности) — наиболее широко применяемый индекс. Он рассчитывается как произведение разницы между отражательной способностью в ближнем инфракрасном (NIR) и красном диапазонах на их сумму: NDVI = (NIR – Red) / (NIR + Red). Значения варьируются от -1 до +1, при этом здоровая густая растительность обычно имеет значение от 0,6 до 0,9.

Индекс NDVI сильно коррелирует с индексом листовой поверхности (LAI — общая односторонняя площадь листьев на единицу площади поверхности земли) и, следовательно, с фотосинтетической способностью и накоплением биомассы.

• EVI (Улучшенный индекс растительности) Он корректирует атмосферные эффекты и помехи, создаваемые фоном почвы, что делает его более надежным, чем NDVI, в тропических лесах с высокой биомассой и в районах с яркой или открытой почвой.
• SAVI (Почвенно-скорректированный индекс растительности) Включает поправочный коэффициент яркости почвы, что особенно важно в засушливых и полузасушливых сельскохозяйственных районах, где голая почва между рядами посевов сильно влияет на спектральный сигнал.
• GNDVI (Зеленый нормализованный разностный индекс растительности) В формуле NDVI красный цвет заменяется зеленым, что делает ее более чувствительной к изменениям концентрации хлорофилла и полезной для мониторинга биомассы сельскохозяйственных культур в конце сезона, когда растительный покров уже полностью сомкнут.

Особого внимания заслуживает индекс листовой поверхности (LAI), поскольку он является как результатом дистанционного зондирования, так и непосредственным фактором накопления биомассы. Растения с более высоким LAI поглощают больше солнечной радиации, поглощают больше углерода и производят больше биомассы. Карты LAI, полученные с помощью дистанционного зондирования на основе временных рядов MODIS или Sentinel-2, напрямую используются в моделях роста сельскохозяйственных культур, которые имитируют формирование урожая и конечную биомассу, пригодную для сбора.

Основные источники данных для оценки биомассы наземных экосистем

Выбор подходящего источника данных зависит от масштаба исследования, типа растительности, требуемого пространственного разрешения и имеющегося бюджета. Ниже представлены основные потоки данных, используемые в настоящее время для оперативного и исследовательского картирования биомассы. Бесплатные спутниковые данные с открытым доступом от Landsat и Sentinel демократизировали картирование биомассы, сделав его доступным для исследователей и организаций, не имеющих бюджета на коммерческую съемку.

i. Landsat (NASA/USGS): Более 50 лет непрерывных данных, разрешение 30 метров, свободный доступ. Временные ряды Landsat позволяют проводить исторический анализ изменений биомассы, начиная с 1970-х годов, предоставляя беспрецедентный контекст для мониторинга обезлесения и деградации земель.

ii. Sentinel-2 (ESA): Разрешение 10 метров в ключевых спектральных диапазонах, повторный облет каждые 5 дней, бесплатный доступ. Sentinel-2 в настоящее время является стандартом для мониторинга биомассы сельскохозяйственных культур и региональной оценки лесов благодаря своему разрешению и сочетанию частот.

iii. Sentinel-1 (ESA): РЛС с синтезированной апертурой C-диапазона, всепогодная работа, бесплатный доступ. Sentinel-1 является основным радиолокационным источником для мониторинга тропических регионов, подверженных влиянию облаков, и оценки биомассы сельскохозяйственных культур в районах, где дефицит оптических данных является постоянной проблемой.

iv. MODIS (НАСА): Разрешение 250 м – 1 км, ежедневное глобальное покрытие. Временные ряды MODIS идеально подходят для выявления изменений биомассы в континентальном масштабе и сезонного мониторинга, хотя низкое разрешение ограничивает их применение в фрагментированных ландшафтах.

v. PlanetScope: Разрешение 3 метра, ежедневное повторное обследование, коммерческая подписка. PlanetScope обеспечивает мониторинг биомассы на уровне отдельных полей, поддерживая приложения точного земледелия, где важна пространственная изменчивость на уровне отдельных участков поля.

vi. Лидар NASA GEDI: Диаметр охвата 25 метров, глобальное покрытие тропических и умеренных регионов, бесплатные данные. GEDI — основной космический источник данных о высоте растительного покрова и плотности надземной биомассы в глобальном масштабе.

vii. ICESat-2 (НАСА): Лидар с подсчетом фотонов и глобальным охватом, особенно эффективен для измерения высоты крон деревьев в лесах высоких широт и обнаружения мелкомасштабных изменений высоты.

Этапы расчета наземной биомассы с использованием дистанционного зондирования

Оценка биомассы суши с использованием данных дистанционного зондирования осуществляется в соответствии со структурированным рабочим процессом. Каждый шаг зависит от точности предыдущего. Неправильная обработка данных или полевая проверка приводят к ошибкам в итоговой карте биомассы.

i. Выберите подходящие изображения: Выберите датчик, пространственное разрешение и временной период в зависимости от целевой экосистемы и цели исследования. Для мониторинга биомассы лесов обычно требуются данные Sentinel-1 или GEDI; для мониторинга биомассы сельскохозяйственных культур обычно используются данные Sentinel-2 или мультиспектральные снимки, полученные с помощью дронов.

ii. Предварительная обработка изображений: Примените атмосферную коррекцию для преобразования исходных цифровых значений в значения отражательной способности поверхности. Выполните геометрическую коррекцию, чтобы обеспечить точное выравнивание изображения с реальными координатами. Удалите пиксели, загрязненные облаками, и замените их с помощью временного композитинга там, где это необходимо.

iii. Рассчитайте индексы растительности: Вычислите NDVI, EVI, SAVI, GNDVI или другие соответствующие индексы на основе скорректированных полос отражательной способности поверхности. Для данных LiDAR определите метрики высоты растительного покрова (максимальная высота, высота 95-го процентиля, средняя высота) из облака точек.

iv. Соберите образцы биомассы в полевых условиях: Измерьте надземную биомассу на репрезентативных участках в пределах исследуемой территории, используя методы деструктивной вырубки или аллометрические уравнения, применяемые к измерениям диаметра и высоты деревьев. Эти полевые значения являются эталонными данными, которые служат основой для модели.

v. Создание моделей прогнозирования: Проведите регрессионный анализ полевых измерений биомассы относительно соответствующих переменных дистанционного зондирования (индексы растительности, показатели высоты растительного покрова, значения обратного рассеяния SAR). Используйте регрессионный анализ, случайный лес, метод опорных векторов или нейронные сети в зависимости от сложности взаимосвязи и объема доступных обучающих данных.

vi. Проверка результатов модели: Используйте отложенный набор данных для валидации (полевые участки, не использованные при обучении модели), чтобы оценить точность прогнозирования. Сообщите значения RMSE (среднеквадратичная ошибка), R² (коэффициент детерминации) и смещения. Уточните модель, если точность недостаточна.

vii. Создание карт биомассы: Примените проверенную модель ко всему изображению, чтобы получить пространственно непрерывную карту плотности биомассы, где каждый пиксель содержит прогнозируемое значение биомассы в Мг/га или т/га.

Модели и методы, используемые для оценки биомассы.

Выбор модели существенно влияет как на точность, так и на обобщаемость системы оценки биомассы. Более простые модели более прозрачны и более надежно применимы к новым местам. Сложные модели машинного обучения позволяют получить более высокую точность из больших обучающих наборов данных, но могут переобучаться на локальных условиях.

Эмпирические регрессионные модели устанавливают прямую математическую зависимость между биомассой на поле и переменными дистанционного зондирования — например, линейную регрессию между NDVI и урожайностью сухой массы сельскохозяйственных культур. Эти модели легко интерпретировать и быстро вычислять, но они плохо работают, когда спектральная зависимость от биомассы нелинейна или когда значения биомассы находятся в очень широком диапазоне.

Методы машинного обучения преодолевают эти ограничения, изучая сложные нелинейные зависимости на основе данных. Случайный лес (ансамбль деревьев решений, усредняющий прогнозы по сотням отдельных деревьев) в настоящее время является наиболее широко используемым алгоритмом для оценки биомассы как в лесном хозяйстве, так и в сельском хозяйстве.

Исследование, опубликованное в Границы науки о растениях (Декабрь 2024 г.) продемонстрировали, что применение алгоритма Random Forest к данным GEDI и многоисточниковым данным дистанционного зондирования позволило получить оценки биомассы елово-пихтового леса с коэффициентом детерминации R², значительно превышающим показатели, полученные с помощью односенсорных регрессионных методов.

• Метод опорных векторов (SVM): Находит оптимальную границу разделения между классами биомассы в многомерном пространстве признаков. Метод опорных векторов (SVM) хорошо работает с небольшими и средними обучающими наборами данных и устойчив к переобучению при правильной регуляризации.
• Нейронные сети и глубокое обучение: Сверточные нейронные сети (CNN) и гибридные архитектуры CNN-LSTM обрабатывают пространственные и временные закономерности в изображениях одновременно. Исследование 2024 года, опубликованное в [ссылка на исследование]. Дистанционное зондирование (MDPI) Сравнивая модели RF, CNN и CNN-LSTM для оценки биомассы леса в Ханчжоу, Китай, было установлено, что модели глубокого обучения улавливают пространственный контекст, который полностью упускают методы одноточечной регрессии.
• Гибридные модели: Сочетание физических моделей растительности (имитирующих рост растений на основе радиации и поступления воды) со статистическими или основанными на машинном обучении калибровочными слоями. Эти подходы становятся все более предпочтительными, поскольку они позволяют получать физически реалистичные оценки биомассы, которые можно обобщить на разные регионы, не полагаясь исключительно на локальные обучающие данные.

Факторы, влияющие на точность оценки биомассы

Даже самая лучшая комбинация датчика и модели дает ненадежные карты биомассы, если качество исходных данных низкое или если физическая среда вносит источники шума. Понимание этих факторов, ограничивающих точность, крайне важно для любого, кто разрабатывает программу картирования биомассы.

1. Насыщение сигнала в плотном лесу: В тропических лесах с высокой биомассой оптические сигналы и сигналы SAR в C-диапазоне достигают насыщения — их рост прекращается, даже когда биомасса продолжает увеличиваться. Индекс NDVI достигает насыщения при значениях надземной биомассы выше приблизительно 150–200 Мг/га, Это делает его ненадежным в старовозрастных тропических лесах, где биомасса может достигать 400–600 Мг/га. L-диапазонные радары с синтезированной апертурой (SAR) и лидары (LiDAR) насыщаются при гораздо более высоких уровнях биомассы и предпочтительны в таких условиях.

2. Сезонные колебания: Отражательная способность растительности резко меняется в зависимости от сезона. Значение NDVI на пшеничном поле в апреле отражает принципиально иное состояние биомассы, чем на том же поле в августе. Модели должны учитывать сезонную динамику или калиброваться отдельно для каждой фенологической стадии.

3. Помехи от облачности: Оптические датчики теряют данные везде, где присутствуют облака. В регионах с влажным тропическим климатом загрязнение облачными облаками может повлиять на более чем... 70% получения изображений в течение данного года, что требует использования альтернативных методов, таких как радар или лидар, или многолетних стратегий композитинга.

4. Смешанные пиксели: При умеренном пространственном разрешении (30–250 м) один пиксель изображения часто содержит смесь различных типов сельскохозяйственных культур, голой почвы и воды. Спектральный сигнал отражает среднее значение всех этих поверхностей, что ослабляет сигнал растительности и вносит систематическую ошибку в прогнозы биомассы.

5. Влияние рельефа местности: Наклон местности изменяет геометрию как солнечного освещения, так и угла обзора датчика, что влияет на значения отражательной способности, регистрируемые датчиком. В горных районах перед надежным применением любой модели биомассы необходима топографическая коррекция.

Применение картирования наземной биомассы в различных секторах.

Карты биомассы земель, созданные на основе данных дистанционного зондирования, используются для принятия практических решений в самых разных секторах, от правительственной отчетности по климату до управления отдельными фермерскими хозяйствами.

агентства по управлению лесами Карты биомассы используются для определения приоритетных участков лесозаготовок, оценки устойчивого урожая и документирования соответствия стандартам сертификации. Масштабные карты биомассы заменяют дорогостоящие выборочные лесные инвентаризации в регионах, где доступ к полям затруднен по логистическим причинам или слишком дорог.

Оценка запасов углерода Это одно из наиболее экономически значимых применений. Каждый мегаграмм надземной биомассы содержит приблизительно 0,47 Мг углерода (стандартный коэффициент пересчета МГЭИК). Таким образом, точные карты биомассы напрямую преобразуются в подтвержденные углеродные инвентаризации, которые лежат в основе выплат REDD+ и добровольных кредитов на углеродном рынке. Подтвержденная карта биомассы, охватывающая концессию на тропический лес площадью 500 000 гектаров, может представлять собой углеродные активы на сотни миллионов долларов.

• Точное земледелие: Карты биомассы сельскохозяйственных культур, полученные с помощью беспилотных летательных аппаратов или спутников Sentinel-2, позволяют выявлять изменчивость роста растений на отдельных участках поля, что дает возможность применять удобрения и орошение с переменной нормой, снижая затраты и сохраняя урожайность.
• Оценка горючих материалов для лесных пожаров: Сухая древесина и сухая травянистая биомасса представляют собой горючее вещество, доступное для пожаров. Карты горючего материала, полученные с помощью дистанционного зондирования, используются для планирования программ контролируемого выжигания и локализации лесных пожаров в подверженных пожарам ландшафтах.
• Сохранение биоразнообразия: Растительность с высокой биомассой и сложной структурой, как правило, поддерживает большее видовое разнообразие. Карты биомассы помогают определить приоритетные природоохранные зоны и отслеживать восстановление восстановленных местообитаний с течением времени.
• Планирование в области биоэнергетики: Правительства и энергетические компании используют данные дистанционного зондирования биомассы для оценки устойчивого обеспечения сельскохозяйственными отходами и древесной биомассой для производства биоэнергии, гарантируя, что темпы сбора урожая не превысят возможности восстановления экосистемы.

Преимущества дистанционного зондирования для расчета биомассы

Картирование биомассы на основе дистанционного зондирования предлагает сочетание возможностей, недоступных для наземных методов. Эти преимущества объясняют, почему за последнее десятилетие эта технология перешла из экспериментального состояния в практическое применение в десятках стран.

Пожалуй, наиболее фундаментальным преимуществом является неразрушающий метод измерения. Дистанционное зондирование позволяет получать информацию о растительности без ее сбора, вырубки или нарушения. Это дает возможность проводить многократные измерения в одном и том же месте, что крайне важно для выявления изменений биомассы во времени — показателя, имеющего наибольшее значение для учета углерода и мониторинга экосистем.

• Широкомасштабное покрытие при низких предельных издержках: После установки датчиков и системы обработки данных стоимость добавления еще миллиона гектаров к обследованию биомассы практически равна нулю. Такая структура затрат противоположна структуре затрат при полевых исследованиях, где затраты линейно зависят от площади.
• Частые обновления во времени: Спутник Sentinel-2 повторно посещает любую точку на Земле каждые 5 дней. Такая частота позволяет осуществлять мониторинг биомассы на протяжении всего вегетационного периода, фиксируя динамические изменения, которые полностью упускаются при проведении разовых полевых исследований в течение года.
• Возможности исторического анализа: Архив спутниковых снимков Landsat содержит изображения, начиная с 1972 года. Исследователи могут реконструировать исторические траектории изменения биомассы, чтобы количественно оценить суммарную вырубку лесов, оценить восстановление экосистемы после нарушений или установить исходные условия до нарушений для подачи исков о компенсации.
• Улучшение процесса принятия решений для землепользователей: Пространственно детализированные карты биомассы показывают, где в ландшафте происходит накопление, сокращение или стабилизация биомассы, что позволяет землепользователям с высокой точностью определять места проведения мероприятий, где они окажут наибольшее воздействие.

Ограничения и проблемы оценки биомассы с помощью дистанционного зондирования

Дистанционное зондирование для картирования биомассы — мощный инструмент, но он сопряжен с реальными техническими ограничениями, которые специалисты должны понимать, прежде чем полагаться на его результаты при принятии важных решений.

Насыщение сигнала в густых лесах остается нерешенной проблемой для оптических и C-диапазонных радиолокационных датчиков. По мере смыкания древесного полога и накопления биомассы сверх порогового значения, специфичного для конкретного датчика, спектральный сигнал или сигнал обратного рассеяния перестает увеличиваться с ростом биомассы.

Технология LiDAR позволяет избежать этой проблемы, поскольку измеряет физическую структуру, а не спектральное отражение, однако сбор данных с помощью воздушного LiDAR остается дорогостоящим, а космический LiDAR, такой как GEDI, обеспечивает разреженную, несмежную зону охвата, а не сплошное покрытие.

• Проверка данных в поле обязательна: Ни одна модель дистанционного зондирования не позволяет получить надежные оценки биомассы без калибровки и проверки на основе фактических полевых измерений. Качество полевых данных напрямую определяет качество итоговой карты, а сбор репрезентативных полевых данных в неоднородных ландшафтах является дорогостоящим и технически сложным процессом.
• Для коррекции атмосферных явлений требуется тщательная корректировка: Аэрозоли, водяной пар и озон рассеивают и поглощают поступающее и отраженное солнечное излучение, изменяя спектральный сигнал до того, как он достигнет датчика. Неправильная или неполная атмосферная коррекция приводит к систематическим ошибкам, которые распространяются на весь процесс оценки биомассы.
• Обработка данных требует специальных знаний: Работа с временными рядами дистанционного зондирования в больших масштабах требует знания географических информационных систем (ГИС), языков программирования, таких как Python или R, и облачных геопространственных платформ, таких как Google Earth Engine. Этот технический барьер ограничивает внедрение таких технологий среди агрономов и землеустроителей, не имеющих опыта в области анализа данных.
• Неопределенность модели возрастает с удалением от обучающих данных: Модель биомассы, откалиброванная в бразильском лесу Амазонии, может показать низкую эффективность при переносе в структурно отличающийся лес Западной Африки, даже если оба леса классифицируются как тропические влажные леса. Региональные наборы данных для калибровки необходимы для поддержания точности на географически разнообразных территориях исследования.

Будущие тенденции в оценке биомассы с помощью дистанционного зондирования

Технологический ландшафт картирования биомассы наземных экосистем стремительно развивается. Ряд взаимосвязанных тенденций, как ожидается, существенно повысит точность, доступность и масштабируемость методов оценки биомассы в течение следующих пяти-десяти лет.

Картирование биомассы с помощью ИИ представляет собой наиболее революционное направление в современной науке. Архитектуры глубокого обучения — в частности, сверточные и трансформерные модели — одновременно обрабатывают полную спектральную, пространственную и временную информацию из спутниковых временных рядов, извлекая сигналы биомассы, которые более простые модели не могут обнаружить.

Интеграция ИИ и машинного обучения в дистанционное зондирование расширилась благодаря 35% в период с 2021 по 2026 год, Согласно данным Business Research Insights, это коренным образом меняет подход к анализу данных о растительности в больших масштабах.

Миссия BIOMASS Европейского космического агентства, запущенная в 2024 году, оснащена первым космическим радаром с синтезированной апертурой (SAR) P-диапазона, специально разработанным для мониторинга биомассы тропических лесов. Сигналы P-диапазона (длина волны около 70 см) проникают глубоко в лесной полог, достигая древесных стволов и крупных ветвей, недоступных для радаров с более короткими длинами волн.

Исследование опубликовано в Научные отчеты В апреле 2023 года было продемонстрировано, что томографическая радиолокационная съемка (TomoSAR) в P-диапазоне (метод, позволяющий восстанавливать трехмерную структуру леса на основе данных, полученных с помощью нескольких радиолокационных пролетов) дает многообещающие оценки надземной биомассы в густых тропических лесах Французской Гвианы, что дает представление о том, что миссия BIOMASS сможет обеспечить в оперативной деятельности.

• Масштабное слияние данных с нескольких датчиков: Алгоритмы, которые автоматически объединяют потоки оптических, радиолокационных и лидарных данных, присваивая каждому датчику весовые коэффициенты в соответствии с его надежностью в данной экосистеме и в определенный сезон, переходят от экспериментальных прототипов к оперативным инструментам, развертываемым на облачных платформах.
• Мониторинг биомассы в режиме реального и почти реального времени: Облачные геопространственные платформы, такие как Google Earth Engine и Microsoft Planetary Computer, теперь позволяют осуществлять непрерывную автоматизированную обработку поступающих потоков спутниковых данных. В ряде тропических стран уже действуют оповещения о вырубке лесов в режиме, близком к реальному времени, которые срабатывают в течение 24–48 часов после обнаружения признаков обезлесения.
• Цифровые двойники для точного земледелия: Интеграция данных о биомассе, полученных с помощью дистанционного зондирования, с почвенными датчиками, моделями погоды и моделями имитации роста растений позволяет создавать цифровые двойники фермерских хозяйств — виртуальные копии реальных полей, которые дают фермерам возможность тестировать сценарии управления до их внедрения в реальных условиях.
• Интеграция точного земледелия: Сочетание доступных по цене датчиков для дронов, спутниковых временных рядов и аналитики на основе искусственного интеллекта впервые делает мониторинг биомассы в масштабах поля финансово доступным для отдельных фермеров, а не только для исследовательских институтов и государственных учреждений.

1. Какой спутник лучше всего подходит для оценки биомассы? Не существует единого лучшего спутника для всех ситуаций. Sentinel-2 наиболее широко используется для картирования биомассы сельскохозяйственных культур и лесов со средним разрешением. GEDI LiDAR обеспечивает наиболее точные данные о высоте растительного покрова для определения надземной биомассы леса. Sentinel-1 SAR является предпочтительным выбором в тропических районах, подверженных облачности. Наилучший оперативный подход предполагает сочетание нескольких датчиков.

2. Могут ли дроны точно оценить биомассу? Да. Беспилотники, оснащенные мультиспектральными камерами или датчиками LiDAR, могут оценивать биомассу сельскохозяйственных культур и небольших лесных массивов с очень высоким пространственным разрешением. Оценки биомассы сельскохозяйственных культур, полученные с помощью беспилотников, обычно достигают корреляции R² = 0,80–0,95 с полевыми измерениями, если полеты приурочены к соответствующим стадиям роста, а спектральные датчики должным образом откалиброваны.

3. Насколько точна оценка биомассы с помощью дистанционного зондирования? Точность значительно варьируется в зависимости от типа датчика, экосистемы и используемого подхода к моделированию. В умеренных лесах с хорошим покрытием LiDAR карты биомассы могут достигать значений RMSE 20–40 Мг/га. В густых тропических лесах подходы, использующие только оптические данные, могут показывать значения RMSE 60–100 Мг/га из-за насыщения сигнала. Модели, использующие объединение данных с нескольких датчиков, неизменно превосходят подходы, использующие данные с одного датчика.

4. Почему оценка биомассы важна для понимания изменения климата? Леса и сельскохозяйственные угодья хранят огромные запасы углерода в своей биомассе. Вырубка лесов и деградация земель высвобождают этот накопленный углерод в виде CO₂ в атмосферу, ускоряя изменение климата. Точные карты биомассы обеспечивают основу для проверки запасов углерода, мониторинга потери лесов и количественной оценки эффективности программ лесовосстановления и сохранения природы в рамках международных климатических программ, таких как REDD+.

5. Можно ли с помощью дистанционного зондирования оценить подземную биомассу? Дистанционное зондирование не позволяет напрямую измерять подземную биомассу. Однако биомасса подземной биомассы обычно оценивается по надземной биомассе с использованием коэффициентов отношения корней к побегам, полученных в ходе полевых исследований и опубликованных такими организациями, как МГЭИК. В большинстве лесных экосистем коэффициенты отношения корней к побегам для каждого вида варьируются от 0,15 до 0,40, что позволяет косвенно оценивать биомассу подземной биомассы везде, где существуют карты надземной биомассы.

Заключение

Расчет биомассы земель с использованием дистанционного зондирования решительно перешел из разряда специализированных исследовательских методов в оперативную возможность, имеющую непосредственное значение для производства продуктов питания, управления лесными ресурсами и климатической политики. Сочетание бесплатных спутниковых данных, доступных облачных вычислительных платформ и все более мощных инструментов машинного обучения сделало картирование биомассы в масштабах ландшафта доступным для растущего числа организаций по всему миру.

Роль дистанционного зондирования в мониторинге климата будет только расти по мере расширения углеродных рынков, усиления обязательств по мониторингу обезлесивания и увеличения спроса на проверенные данные о запасах углерода в мировой экономике. Благодаря запуску спутниковой миссии BIOMASS, постоянному расширению глобального набора данных GEDI и значительному повышению точности оценок на основе объединения данных с нескольких датчиков с помощью моделей искусственного интеллекта, возможность точно определять, где биомасса накапливается, сокращается или остается стабильной на поверхности Земли, становится вполне достижимой.

Углеродные рынки перешли от нишевых политических экспериментов к основным инструментам финансирования борьбы с изменением климата. Рынок добровольных сельскохозяйственных углеродных кредитов оценивался в 36,1 млн долларов США в 2024 году и ожидается, что он резко возрастет 648,3 млн долларов США к 2034 году в 31,9% CAGR, Согласно данным Global Market Insights Inc., сельское хозяйство находится в центре этого роста, поскольку почвы, сельскохозяйственные культуры и методы управления земельными ресурсами представляют собой огромные, измеримые поглотители углерода.

Главная проблема всегда заключалась в измерении: как достоверно количественно оценить содержание углерода на миллионах гектаров сельскохозяйственных угодий? Дистанционное зондирование, наука о сборе данных о поверхности Земли с помощью самолетов, дронов и спутников без физического контакта, — это ответ, которого ждал углеродный рынок. Оно обеспечивает масштаб, скорость и научную точность в мониторинге выбросов углерода в сельском хозяйстве.

Что такое углеродные кредиты и почему они важны?

Углеродный кредит — это торгуемый сертификат, подтверждающий сокращение или удаление одной метрической тонны эквивалента диоксида углерода (CO2e) из атмосферы. Кредиты бывают двух типов: кредиты на сокращение выбросов углерода, которые представляют собой предотвращенные выбросы, и кредиты на удаление углерода, которые представляют собой CO2, активно извлекаемый из атмосферы и хранящийся в ней.

Углеродные рынки функционируют как экономические механизмы, устанавливающие цену на выбросы парниковых газов. Если компания не может сократить свои выбросы собственными силами, она может приобрести углеродные кредиты у проектов, которые сокращают или предотвращают выбросы в эквивалентном количестве.

Это создает финансовые стимулы для таких видов деятельности, как секвестрация углерода в почве, лесовосстановление и улучшение землепользования. Система регулируется реестрами углерода, стандартами сертификации и независимыми верификаторами, которые гарантируют, что каждый кредит представляет собой реальную, измеримую выгоду для климата.

1. Как генерируются углеродные кредиты в сельском хозяйстве

Углеродные кредиты для сельского хозяйства создаются посредством структурированного процесса, который начинается с разработки проекта и заканчивается проверкой кредитов и их внесением в реестр. Вот типичная последовательность:

1. Фермер или разработчик проекта выбирает подходящие методы устойчивого земледелия и определяет границы проекта.
2. Утвержденная методика выбирается из реестра углеродных квот, такого как Verra (VM0042) или Gold Standard.
3. Для оценки исходного уровня запасов углерода перед изменением применяемых методов устанавливается базовый уровень.
4. Внедрение и мониторинг этих методов осуществляется на протяжении всего периода реализации проекта, который обычно составляет от трех до пяти лет.
5. Независимые сторонние эксперты оценивают, были ли внедрены соответствующие меры и являются ли заявленные преимущества в плане сокращения выбросов углерода реальными и дополнительными.
6. Проверенные углеродные кредиты выпускаются и выставляются на продажу на добровольных или обязательных рынках.

В проектах по освоению пахотных земель основным механизмом является секвестрация углерода в почве посредством природоохранных мероприятий. Такие методы, как использование покровных культур, сокращение обработки почвы и точное управление питательными веществами, увеличивают количество органического углерода, хранящегося в сельскохозяйственных почвах, которые в противном случае склонны терять углерод из-за обработки почвы и эрозии.

В сельскохозяйственных почвах содержится примерно в три раза больше углерода, чем в атмосфере. Это делает пахотные земли одним из наиболее доступных и масштабируемых поглотителей углерода на планете. Пастбища и луга быстро реагируют на изменения в методах ведения сельского хозяйства: переход от традиционной обработки почвы к нулевой обработке может начать увеличивать содержание органического углерода в почве в течение одного-двух вегетационных сезонов.

Фермеры получают прямую выгоду от доходов от углеродных кредитов. На проекты по углеродному кредитованию почвы в настоящее время приходится приблизительно 8-10% добровольного углеродного рынка, оценен в 425-530 миллионов долларов США, согласно рыночным данным за 2025 год.

Этот поток доходов дополняет доходы фермерских хозяйств, одновременно улучшая состояние почвы, влагоудержание и долгосрочную продуктивность. Агропромышленные предприятия и пищевые компании, участвующие в программах по сокращению выбросов углерода, также повышают свой авторитет в отчетности об устойчивости цепочки поставок.

Взаимосвязь между углеродными кредитами и точным земледелием

Точное земледелие — это подход к управлению фермерским хозяйством, который использует пространственные данные и передовые технологии для принятия решений на уровне отдельных участков поля, а не рассматривает всё хозяйство как единое целое. Оно сочетает в себе GPS-приемники (глобальную систему позиционирования), датчики почвы IoT (интернет вещей), камеры, установленные на дронах, и спутниковые снимки для предоставления подробной, специфичной для конкретного местоположения информации о состоянии посевов, свойствах почвы и потребностях в ресурсах.

В результате получается управление фермерским хозяйством на основе данных. Вместо внесения удобрений в одном и том же количестве по всему полю, система точного земледелия определяет зоны с различными потребностями в питательных веществах и вносит соответствующие переменные нормы.

Это позволяет сократить потери сырья, снизить эксплуатационные расходы и получить измеримые экологические преимущества, которые можно количественно оценить в рамках программ углеродных кредитов. Высокоточные инструменты способствуют достижению углеродных результатов по нескольким направлениям.

• Оптимизация внесения удобрений снижает выбросы закиси азота (N2O), парникового газа, примерно в 273 раза более мощного, чем CO2, в течение 100 лет. Внесение азотных удобрений с переменной нормой может сократить выбросы N2O до 20-30% Согласно исследованию, опубликованному в Европейском журнале агрономии, по сравнению с равномерным внесением удобрений и средств индивидуальной защиты.
• Улучшение планирования полива с помощью датчиков влажности почвы снижает энергопотребление на насосных станциях и ограничивает уплотнение почвы, что, в свою очередь, уменьшает углеродный след орошения.
• Поддержание здоровья почвы за счет сокращения обработки почвы сохраняет структуру почвенных агрегатов, защищая органическое вещество, которое удерживает углерод в течение длительного времени.
• Сокращение расхода топлива за счет планирования траектории движения техники с помощью GPS-навигации снижает потребление дизельного топлива, что напрямую уменьшает выбросы CO2 при полевых работах.

1. Устойчивые методы ведения сельского хозяйства, позволяющие получать углеродные кредиты.

Не все виды сельскохозяйственной деятельности соответствуют требованиям для получения углеродных кредитов. Утвержденные методы должны наглядно демонстрировать увеличение содержания углерода в почве, снижение выбросов или и то, и другое. Для следующих методов разработаны методики, утвержденные основными реестрами углеродных кредитов.

i. Покровные культуры Это включает в себя посадку нетоварных культур в межсезонье, чтобы сохранить живые корни в почве. Корни постоянно выделяют сахара, которые питают почвенные микроорганизмы, превращающие органическое вещество в стабильный гумус — долгоживущую форму почвенного углерода. Покровные культуры также предотвращают эрозию, которая физически удаляет верхний слой почвы и содержащийся в нем углерод.

ii. Нулевая и уменьшенная обработка почвы Минимизация нарушения почвенного покрова позволяет сохранить его физическую структуру. Традиционная обработка почвы быстро окисляет углерод в почве, подвергая органическое вещество воздействию воздуха. Исследование, опубликованное в журнале Soil and Tillage Research, показало, что долгосрочное внедрение беспахотной обработки почвы увеличивает концентрацию органического углерода в верхних 30 см почвы в среднем на 10-30% по сравнению с традиционной обработкой почвы за десятилетний период.

iii. Сохранение растительных остатков Предотвращает сжигание или удаление биомассы после сбора урожая. По мере разложения растительных остатков они обогащают почву органическими веществами и питают микробные сообщества, ответственные за фиксацию углерода. Спутниковые снимки позволяют с измеримой точностью измерять процент покрытия растительными остатками после сбора урожая.

Дистанционное зондирование не просто наблюдает за сельским хозяйством сверху. Оно преобразует разрозненные данные с уровня поля в единую, научно обоснованную запись о том, как обрабатываются земли и сколько углерода они содержат.

iv. Точное управление питательными веществами Используется технология переменной нормы внесения удобрений, позволяющая вносить удобрения там, где это необходимо, в нужных количествах и в нужное время. Это уменьшает количество избыточного азота, который почвенные бактерии преобразуют в закись азота, напрямую снижая парниковый эффект от выращивания сельскохозяйственных культур.

v. Агролесоводство и многолетние культуры Древесные культуры поглощают углерод как над землей в древесной биомассе, так и под землей благодаря разветвленным и долгоживущим корневым системам. Они способны хранить углерод в течение десятилетий, что делает их перспективными кандидатами для проектов по получению углеродных кредитов, требующих долговременного сохранения запасов углерода.

Роль дистанционного зондирования в измерении углеродных кредитов

Программы углеродных кредитов требуют доказательств. Реестры не могут принять заявления фермеров о том, что были высажены покровные культуры или что была сокращена обработка почвы. Для проверки необходимы объективные, воспроизводимые и поддающиеся аудиту данные, предпочтительно из источников, которые невозможно изменить постфактум. Дистанционное зондирование обеспечивает именно это.

Спутниковые и беспилотные наблюдения позволяют одновременно охватывать обширные территории, обеспечивая такой уровень пространственного охвата, которого полевые исследования экономически не могут достичь. Рынок спутниковых систем мониторинга, отчетности и верификации выбросов углерода в сельском хозяйстве оценивался в... 3,2 миллиарда долларов США в 2025 году и, по прогнозам, достигнет 8,7 млрд долларов США к 2034 году в 12,8% CAGR, Это свидетельствует о том, насколько важным стал спутниковый мониторинг для климатических программ во всем мире.

В исследовании Sustainability Atlas (2026) было установлено, что спутниковые системы проверки снижают затраты на измерение содержания углерода в почве на 40% По сравнению с традиционным полевым отбором проб, инвестиции в цифровые решения для мониторинга, отчетности и верификации достигают 2,3 миллиарда долларов США в 2025 году. Фермеры и разработчики проектов теперь могут получить доступ к достоверному мониторингу выбросов углерода без непомерных затрат на гектар, связанных с многократным отбором проб почвы.

1. Технологии дистанционного зондирования, используемые в программах по изучению углеродного следа.

В зависимости от масштаба, типа культуры и цели измерения содержания углерода используются различные типы датчиков. Каждый из них обладает своими преимуществами.

1. Многоспектральные датчики Они улавливают отраженный свет в дискретных диапазонах длин волн, включая видимый красный, ближний инфракрасный и коротковолновый инфракрасный диапазоны. Они рассчитывают индексы растительности, такие как NDVI (нормализованный разностный индекс растительности), — отношение, сравнивающее отражательную способность в ближнем инфракрасном диапазоне с отражательной способностью в красном диапазоне.

Здоровая, густая растительность отражает больше ближнего инфракрасного излучения и поглощает больше красного света, что приводит к высокому значению NDVI. NDVI широко используется в качестве индикатора плотности биомассы и фотосинтетической активности, которые коррелируют с поглощением углерода.

2. Гиперспектральные датчики Они улавливают сотни узких, смежных полос длин волн вместо нескольких широких. Такое более высокое спектральное разрешение позволяет им обнаруживать тонкие различия в биохимии растений, включая содержание хлорофилла, содержание воды в листьях и концентрацию лигнина.

Эти свойства тесно связаны с содержанием углерода в надземной части растений и могут быть использованы для моделирования биомассы сельскохозяйственных культур с большей точностью, чем широкополосные мультиспектральные данные.

3. Лидар (система обнаружения и определения дальности с помощью света) Система испускает тысячи лазерных импульсов в секунду на поверхность земли и измеряет время, необходимое для возвращения каждого импульса. В результате получается подробное трехмерное облако точек ландшафта, содержащее данные о высоте растительности, плотности растительного покрова и топографии местности.

Биомасса оценивается путем сочетания этих структурных измерений с аллометрическими уравнениями — математическими зависимостями, которые преобразуют высоту и объем в сухую массу и содержание углерода. Исследование 2025 года, опубликованное в ScienceDirect, показало, что измерение поглощения углерода с помощью LiDAR обеспечивает значительно меньшую погрешность, чем традиционные методы полевой инвентаризации для лесных сельскохозяйственных угодий и агролесоводческих систем.

4. SAR (радиолокатор с синтезированной апертурой) РЛС с синтезированной апертурой (SAR) передает микроволновую энергию и измеряет энергию, отраженную от поверхности. В отличие от оптических датчиков, SAR проникает сквозь облака и работает ночью, что делает его ценным в тропических сельскохозяйственных регионах, где постоянная облачность блокирует оптические спутники в течение нескольких недель. SAR особенно эффективен для измерения влажности почвы, определения голой и покрытой растительностью поверхности, а также для оценки биомассы растительного покрова посредством анализа интенсивности обратного рассеяния.

5. Дистанционное зондирование с использованием дронов Обеспечивает пространственное разрешение на уровне сантиметров, недостижимое для спутников. Беспилотники, оснащенные мультиспектральными или RGB-камерами, летают на малой высоте, создавая чрезвычайно подробные карты отдельных полей.

В программах мониторинга выбросов углерода беспилотные летательные аппараты используются для локальной проверки спутниковых наблюдений и для оценки ситуации на небольших или фрагментированных территориях, где размер пикселя спутниковых снимков слишком велик для определения границ управленческих зон. К основным спутниковым платформам, поддерживающим мониторинг выбросов углерода, относятся следующие:

• Landsat (NASA/USGS): Разрешение 30 метров, периодичность повторного обследования 16 дней. Исторический архив, датируемый 1972 годом, делает его основой для долгосрочного анализа изменений землепользования и базового картографирования.
• Sentinel-1 и Sentinel-2 (ESA): Спутник Sentinel-2 предоставляет мультиспектральные изображения с разрешением 10 метров и периодичностью повторного облета каждые 5 дней, что делает его идеальным для сезонного мониторинга сельскохозяйственных культур. Спутник Sentinel-1 с синтезированной апертурой (SAR) дополняет оптические данные в периоды облачности.
• MODIS (НАСА): Разрешение 250-500 метров с ежедневным глобальным охватом. Используется для крупномасштабного анализа временных рядов продуктивности растительности и изменений землепользования в целых регионах.
• PlanetScope: Коммерческая спутниковая группировка, обеспечивающая ежедневные снимки с разрешением 3 метра, позволяющая обнаруживать сельскохозяйственные работы на отдельных фермах.

Как GeoPard поддерживает программы углеродных кредитов

GeoPard Agriculture — это платформа для точного земледелия, которая объединяет спутниковые снимки, радиолокационные данные и топографический анализ, чтобы помочь фермерам внедрять и контролировать методы, позволяющие получать подтвержденные углеродные кредиты. Она интегрирует углеродное земледелие непосредственно в повседневное управление фермерским хозяйством, а не рассматривает его как отдельную деятельность.

1. Внедрение практических методов на основе спутниковых данных.

GeoPard использует спутниковые и радиолокационные данные для выявления зон с низкой урожайностью, подходящих для выращивания покровных культур, агролесоводства или сокращения обработки почвы. Решение для мониторинга урожая помогает принимать решения по севообороту, улучшая структуру почвы и увеличивая долгосрочную способность к хранению углерода.

Анализ топографических данных позволяет точно определить, какие участки поля больше всего выигрывают от использования конкретных видов покровных культур, исключая догадки из практики, которая напрямую способствует поглощению углерода.

2. Сокращение выбросов и отслеживаемость по системе мониторинга, отчетности и верификации (MRV).

Для сокращения выбросов CO2 GeoPard поддерживает внедрение нулевой обработки почвы и управление растительными остатками, помогая фермерам отказаться от традиционного нарушения почвенного покрова. Для сокращения выбросов N2O он обеспечивает управление питательными веществами по принципу 4R (замена, повторное использование, переработка), внося правильные удобрения в нужном количестве, в нужное время и в нужном месте, сокращая избыток азота, который превращается в закись азота в почве.

В рамках системы мониторинга, отчетности и верификации (MRV) спутниковые данные GeoPard создают непрерывную, снабженную временными метками запись полевых работ на протяжении всего вегетационного периода. Эти пространственные данные подтверждают требования к измерениям и отчетности, предоставляя сторонним верификаторам объективные данные для подтверждения того, что заявленные методы действительно применялись.

Благодаря прямой связи ежедневных решений фермерских хозяйств с измеримыми показателями выбросов углерода, GeoPard позволяет фермерам любого масштаба уверенно участвовать в программах углеродных кредитов.

Как дистанционное зондирование позволяет получать углеродные кредиты: пошаговая инструкция

1. Базовое картирование

Прежде чем углеродный проект сможет выдать какие-либо кредиты, необходимо установить достоверный базовый уровень — количественную оценку того, сколько углерода уже содержится на территории проекта и какие методы землепользования применяются в настоящее время. Этот базовый уровень является эталоном, относительно которого оцениваются все будущие улучшения.

Дистанционное зондирование позволяет создавать базовые карты с помощью нескольких интегрированных анализов. Картирование растительности с использованием данных NDVI и индекса листовой поверхности позволяет определить существующие типы сельскохозяйственных культур, плотность биомассы и закономерности вегетационного периода.

Исторический анализ землепользования с использованием многолетнего архива Landsat позволяет определить, обрабатывалось ли поле традиционным способом, пастбищами или использовалось ли смешанное земледелие в течение последних десяти-двадцати лет. Эта история важна, поскольку уровень углерода в почве отражает совокупное воздействие методов землепользования за десятилетия, а не только за текущий сезон.

Картирование свойств почвы сочетает гиперспектральные спутниковые данные с образцами почвы, взятыми на местности, для создания пространственно непрерывных карт содержания органического углерода в почве, ее текстуры и содержания глины. Определение границ проекта осуществляется с помощью спутниковых снимков, зарегистрированных по GPS, для определения точных географических границ углеродного проекта, что является обязательным требованием для всех крупных реестров углеродных проектов, включая Verra и Gold Standard.

2. Проверка практики

Для ведения углеродных реестров необходимы постоянные доказательства того, что устойчивые методы действительно внедряются, а не просто заявляются. Дистанционное зондирование предоставляет эти доказательства посредством анализа временных рядов спутниковых снимков на протяжении всего вегетационного периода.

i. Выявление покровных культур Используется индекс растительности зимнего сезона для выявления активно растущего наземного покрова между циклами выращивания товарных культур. Поле с покровными культурами демонстрирует значительно более высокие значения NDVI в межсезонье по сравнению с полем без покровных культур.

В исследовании, опубликованном в Национальном центре биотехнологической информации (2024 г.) и использующем данные спутника Sentinel-2 в Южной Дакоте, была достигнута точность классификации, превышающая... 80% для выявления наличия покровных культур и интенсивности обработки почвы на полях кукурузы и сои.

В исследовании ScienceDirect (2024 г.) была развернута система мониторинга, верификации и подтверждения достоверности данных (MRV). 553 743 гектара и измеренное снижение выбросов 398 408,5 т CO2-э В ходе трех последовательных выпусков углеродных кредитов сокращение выбросов в основном объясняется внедрением покровных культур и снижением интенсивности обработки почвы. Системы мониторинга, отчетности и верификации на основе спутников теперь могут работать в масштабе целых сельскохозяйственных регионов, а не только отдельных участков проекта.

ii. Проверка нулевой обработки почвы Метод основан на мониторинге поверхности почвы в период между уборкой урожая и посадкой. После уборки урожая без вспашки растительные остатки остаются на поверхности, и значения NDVI остаются умеренно повышенными из-за отражения этих остатков. На вспаханном поле наблюдаются резкие изменения текстуры поверхности и спектральной характеристики, которые можно обнаружить на спутниковых снимках с разрешением 10-30 метров. Данные SAR дополняют оптический анализ, выявляя изменения влажности почвы, связанные с механическим воздействием.

iii. Мониторинг сохранения растительных остатков Используется коротковолновый инфракрасный диапазон для оценки процента растительных остатков, покрывающих почву после сбора урожая. Растительные остатки имеют отчетливую спектральную характеристику по сравнению с голой почвой, что позволяет использовать полученные со спутника индексы покрытия растительными остатками для оценки того, покрыта ли поверхность на 30%, 50% или 70% площади, пороговые значения, которые напрямую определяют право на получение кредита и объем кредита во многих методиках.

iv. Мониторинг севооборота Система Sentinel-2 отслеживает изменения типов сельскохозяйственных культур в течение нескольких сезонов, используя спектральные данные временных рядов. Различные культуры имеют уникальные фенологические характеристики — закономерности начала вегетации, пика роста и отмирания в течение вегетационного периода. Пятидневная частота повторных облетов Sentinel-2 позволяет достаточно точно фиксировать эту динамику, чтобы различать кукурузу, сою и пшеницу в течение нескольких лет подряд.

3. Оценка биомассы и запасов углерода

Для измерения запасов углерода необходимо преобразовать наблюдаемые свойства растительности и почвы в количественные оценки накопленного углерода. Дистанционное зондирование обеспечивает этот процесс за счет множества потоков данных.

Надземная биомасса (ГБ) Для оценки используются высота растительности по данным LiDAR, плотность растительного покрова по оптическим изображениям и индекс листовой поверхности (LAI), полученный из данных ближнего инфракрасного отражения. Эти входные данные используются в аллометрических уравнениях, которые позволяют получить оценки биомассы в тоннах на гектар. Содержание углерода обычно рассчитывается приблизительно как 47-50% от массы сухой биомассы — коэффициент пересчета, подтвержденный Межправительственной группой экспертов по изменению климата (IPCC) и ФАО для сотен видов.

Органический углерод почвы (ОУП) Оценка более сложна, поскольку подземный углерод невозможно наблюдать непосредственно сверху. Дистанционное зондирование вносит свой вклад за счет гиперспектральных изображений, которые позволяют обнаруживать спектральные характеристики органического вещества почвы на открытых или слабо заросших растительностью полях, а также за счет данных о влажности почвы, полученных с помощью радиолокационной съемки, которые влияют на скорость круговорота углерода.

Эти данные дистанционного зондирования объединяются с процессными моделями, такими как RothC или CENTURY, которые имитируют процесс разложения и стабилизации органического вещества в различных климатических условиях и условиях управления.

Достоверность углеродного кредита полностью зависит от точности измерений, лежащих в его основе. Дистанционное зондирование превращает проверку выбросов углерода из дорогостоящей полевой процедуры в непрерывный, основанный на данных, контрольный след.

Алгоритмы машинного обучения, включая случайные леса, градиентный бустинг и модели глубокого обучения, все чаще используются для интеграции данных дистанционного зондирования с полевыми измерениями.

Исследование, опубликованное в журнале PeerJ (2024), продемонстрировало, что модели машинного обучения, сочетающие мультиспектральные спутниковые индексы с ограниченным отбором проб почвы, могут прогнозировать содержание органического углерода в почве с конкурентоспособной точностью, сокращая количество разрушающих проб почвы, необходимых для проверки проекта.

Измерение, отчетность и верификация (MRV): Основа углеродных кредитов

MRV (измерение, отчетность и верификация) — это система управления, которая отделяет достоверные углеродные кредиты от непроверяемых заявлений. Каждый крупный реестр углеродных кредитов требует от проектов соблюдения утвержденного протокола MRV. Дистанционное зондирование стало неотъемлемой частью всех трех этапов.

1. Измерение: сбор данных

Измерение включает в себя сбор исходных данных, на основе которых рассчитываются количества углерода. В спутниковых программах это начинается с автоматической загрузки мультиспектральных и радиолокационных изображений через регулярные интервалы в течение всего вегетационного периода.

Обследования с помощью дронов позволяют получить высокоточные наземные данные на ключевых фенологических стадиях. Целенаправленные кампании по отбору проб почвы позволяют проводить полевые измерения для калибровки и проверки оценок содержания органического углерода в почве, полученных со спутников. Алгоритмы оценки биомассы, применяемые к объединенным данным, позволяют получить значения запасов углерода в масштабе поля.

2. Отчетность: Преобразование показателей в кредиты

В процессе составления отчетов обработанные данные преобразуются в официальный пакет документации, представляемый в реестр выбросов углерода. Это включает в себя электронные таблицы учета выбросов углерода, пространственные карты проектной деятельности, подтверждение внедрения практик и смоделированные изменения запасов углерода за период проверки.

Необходимо соблюдение международных стандартов, включая ISO 14064-2 и руководящие принципы Протокола по парниковым газам. Архивы спутниковых временных рядов служат защищенными от несанкционированного изменения записями, которые подтверждают каждое представленное значение.

3. Проверка: независимое подтверждение

Независимые эксперты проверяют представленную документацию и независимо оценивают, являются ли заявленные результаты по сокращению выбросов углерода реальными, дополнительными (то есть, они не произошли бы без проекта) и постоянными.

Данные дистанционного зондирования, включая архивы спутниковых снимков и обследования с помощью дронов, предоставляют проверяющим объективную информацию для сравнения с заявленными в проекте данными. Анализ временных рядов позволяет выявлять несоответствия, например, когда фермер заявляет о нулевой обработке почвы на поле, спектральные признаки которого указывают на механическое воздействие.

В цифровые платформы мониторинга, верификации и отчетности (MRV) все чаще внедряется технология обнаружения мошенничества с помощью алгоритмов, определяющих точки изменения, что позволяет выявлять аномалии до того, как они достигнут стадии проверки.

Согласно данным, опубликованным Marq Stats (2026), сближение спутниковых снимков высокого разрешения и машинного обучения позволило снизить стоимость мониторинга, верификации и отчетности (MRV) для каждого фермерского хозяйства на 2026 год. 70-90% в период с 2018 по 2025 год, что позволило компании Indigo Carbon управлять более чем 8 миллионов акров земли охвачено программой в 28 штатах США с 85% снижение нагрузки на сбор административных данных.

Снижение затрат в таком масштабе означает, что мелкие фермеры и средние предприятия теперь могут участвовать в программах углеродных кредитов, которые ранее были доступны только крупным производителям сельскохозяйственной продукции.

4. Как метод MRV определяет реальную стоимость углеродного кредита

MRV (мониторинг, верификация, подтверждение и проверка) — это не просто требование соответствия. Именно оно определяет, имеет ли углеродный кредит реальную рыночную стоимость или нет. Покупатели, инвесторы и регулирующие органы оценивают углеродные кредиты, исходя из того, насколько уверенно можно проверить подлинность углерода. Кредит со слабым MRV торгуется со скидкой или полностью отклоняется.

Без достоверной системы мониторинга, отчетности и верификации (MRV) расчет углеродных кредитов превращается в гадание. Фермер может заявить о посадке покровных культур, хотя это не так. Разработчик проекта может переоценить прирост углерода в почве. Покупатели могут неосознанно финансировать проекты, которые не приносят реальной пользы для климата. Система MRV устраняет каждый из этих пробелов, требуя документально подтвержденных, проверяемых и стандартизированных доказательств на каждом этапе.

Для фермеров надежная система мониторинга, отчетности и верификации (MRV) работает в их пользу. Она снимает бремя самостоятельной отчетности и заменяет его данными, полученными со спутников, которые ни один реестр или покупатель не сможет оспорить. Именно этот переход от проверки на основе доверия к проверке на основе данных позволяет мелким фермерам конкурировать на тех же углеродных рынках, что и крупные агропромышленные предприятия.

Для углеродного рынка в целом, надежная система мониторинга, отчетности и верификации (MRV) — это то, что отличает реальные действия по борьбе с изменением климата от «зеленого камуфляжа». Каждая тонна CO2, которая учитывается дважды, оценивается приблизительно или заявляется без доказательств, ослабляет всю систему.

Система мониторинга, отчетности и верификации (MRV), основанная на дистанционном зондировании, устраняет этот пробел, делая измерения объективными, отчетность стандартизированной, а верификацию независимой. Именно поэтому углеродные кредиты, обеспеченные спутниковой системой MRV, теперь продаются на добровольных рынках с надбавкой в 15-25% — покупатели платят больше, потому что научную основу кредита сложнее оспорить.

Преимущества дистанционного зондирования для программ углеродных кредитов

Преимущества дистанционного зондирования по сравнению с чисто полевым мониторингом выбросов углерода существенны и возрастают по мере расширения программ на большие территории.

1. Масштабный мониторинг становится осуществимым при значительно меньших затратах. Один снимок, полученный с помощью спутника Sentinel-2, охватывает территорию 100 на 100 километров, позволяя отслеживать тысячи ферм за один проход без участия наземного персонала.
2. Проверка становится быстрее и менее трудоемкой. Программы по изучению выбросов углерода, которые ранее требовали месяцев полевых выездов, теперь могут завершить проверку практики за несколько дней, используя автоматизированные конвейеры спутникового анализа.
3. Прозрачность повышается для покупателей, реестров и инвесторов. Спутниковые архивы создают объективную, воспроизводимую запись того, что происходило на месторождении в течение периода реализации проекта, независимо от интересов каких-либо заинтересованных сторон.
4. Человеческий фактор сведен к минимуму. Автоматизированная классификация изображений и моделирование выбросов углерода используют согласованные алгоритмы во всех областях проекта, исключая вариативность, вносимую различными полевыми экспертами, использующими разные методы отбора проб.
5. Уверенность инвесторов растет. Институциональные покупатели все чаще требуют количественной, подкрепленной данными проверки кредитоспособности, прежде чем вкладывать капитал в углеродные проекты. Кредиты, обеспеченные данными дистанционного зондирования и имеющие маркировку Core Carbon Principles (CCP), теперь пользуются большим спросом. надбавки к цене 15-25%, согласно данным Совета по обеспечению добросовестности добровольного углеродного рынка за 2025 год.

Улучшение процесса принятия решений обеспечивает доступ к информации для всех заинтересованных сторон. Фермеры получают детализированную информацию о том, какие поля показывают хорошие или плохие результаты по сокращению выбросов углерода. Разработчики проектов могут распределять ресурсы мониторинга в зоны высокого риска. Реестры могут расставлять приоритеты в усилиях по проверке на основе автоматического обнаружения аномалий.

Проблемы и ограничения на углеродных рынках

Дистанционное зондирование — мощный инструмент, но его возможности ограничены. Понимание его текущих ограничений имеет решающее значение для разработки научно обоснованных программ по изучению углерода.

1. Облачность остается постоянным препятствием для оптических спутниковых датчиков в тропических и подверженных муссонным дождям сельскохозяйственных регионах. В ключевые периоды вегетационного периода последовательные наблюдения без облаков могут быть невозможны, что создает пробелы в данных мониторинга. Технология SAR частично компенсирует это, но интеграция данных с нескольких датчиков увеличивает сложность обработки.
2. Подземный углерод невозможно непосредственно наблюдать из космоса. Оценка содержания органического углерода в почве с помощью дистанционного зондирования всегда зависит от модели, опирается на спектральные индикаторы поверхности и моделирование процессов, которые несут в себе неизбежную неопределенность.
3. Пространственное разрешение ограничивает выявление методов ведения сельского хозяйства на небольших полях. В регионах, где преобладает мелкомасштабное сельское хозяйство с полями менее одного гектара, даже пиксели Sentinel-2 с разрешением 10 метров могут охватывать несколько управленческих границ, что затрудняет точное определение методов ведения сельского хозяйства.
4. Проверка достоверности данных на местности остается обязательной. Спутниковые модели требуют калибровки с использованием полевых образцов почвы и полевых наблюдений. Ни одна из существующих методик дистанционного зондирования полностью не исключает необходимости в наземных данных.

Стандартизация углеродных программ — еще одна проблема. Различные реестры принимают разные методы дистанционного зондирования, разные спутниковые платформы и разные подходы к моделированию. Кредит, подтвержденный с использованием одной методологии, может не быть признан покупателем, работающим по другому стандарту, что создает фрагментацию рынка, ограничивающую ликвидность кредитов и участие фермеров.

Будущее дистанционного зондирования на углеродных рынках

Темпы инноваций в спутниковых технологиях, искусственном интеллекте и цифровой сельскохозяйственной инфраструктуре позволяют предположить, что ограничения современных систем дистанционного зондирования будут постепенно устранены в течение следующего десятилетия.

Искусственный интеллект и машинное обучение уже меняют подходы к оценке выбросов углерода. Модели глубокого обучения, обученные на миллионах спутниковых пикселей, могут определять схемы обработки почвы, типы культур и изменения в методах ведения сельского хозяйства с большей точностью и при меньших затратах на поле, чем любой из предыдущих методов.

В статье, опубликованной в журнале Remote Sensing of Environment (2024), было показано, что модели машинного обучения на основе гиперспектральных данных могут прогнозировать содержание органического углерода в почве в континентальном масштабе с сопоставимой точностью при обучении на пространственно разнообразных спектральных библиотеках почв.

Коммерческие спутниковые группировки высокого разрешения, включая системы PlanetScope с ежедневным охватом в 3 метра и готовящиеся к запуску системы сверхвысокого разрешения, делают мониторинг сельскохозяйственных работ на уровне отдельных фермерских хозяйств доступным для программ, реализуемых на уровне отдельных хозяйств.

Объединение данных, полученных с помощью дронов и спутников, позволяет применять многоуровневый подход к мониторингу: спутники обеспечивают непрерывное покрытие, а дроны предоставляют подробную информацию для проверки данных тогда и там, где это наиболее необходимо.

• интеграция Интернета вещей Это позволяет передавать данные с почвенных датчиков в режиме реального времени, собранные в сети полевых зондов для измерения влажности и содержания углерода, непосредственно в системы калибровки дистанционного зондирования, что снижает зависимость от периодического ручного отбора проб почвы.
• Цифровые двойники для сельскохозяйственных ландшафтов В настоящее время появляются новые методы моделирования динамики углерода на всей территории фермы с использованием комбинированных данных дистанционного зондирования, метеорологических данных и данных о почве. Эти среды моделирования позволяют разработчикам проектов моделировать сценарии “что если” для различных комбинаций методов, прежде чем выбрать конкретную методологию.
• Отслеживание выбросов углерода с помощью технологии блокчейн Эта система связывает подтвержденные спутниковыми данными данные о выбросах углерода с неизменяемыми записями в реестре, предоставляя покупателям полный аудиторский след от полевых наблюдений до погашения кредита.
• Автоматизированные платформы MRV Заменяют собой рабочие процессы ручной подачи данных. Такие компании, как Agreena в Дании, используют данные дистанционного зондирования Земли для мониторинга изменений в управлении земельными ресурсами на тысячах ферм в ЕС, а углеродные кредиты выдаются на основе непрерывного спутникового анализа в соответствии с Регламентом ЕС о углеродном земледелии (ЕС 2024/3012).

Мониторинг выбросов углерода в режиме, близком к реальному времени, с частотой повторных облетов спутников, приближающейся к ежедневной, и аналитическими конвейерами, обрабатывающими изображения в течение нескольких часов после получения, вскоре позволит выявлять изменения в практике, например, возвращение фермера к обработке почвы в середине проекта, до того, как произойдут значительные потери углерода. Глобальные спутниковые группировки и расширяющаяся инфраструктура обработки данных сделают эту возможность доступной для крупных реестров выбросов углерода к концу 2020-х годов.

Заключение

Принцип действия дистанционного зондирования для получения углеродных кредитов сводится к одному ключевому преимуществу: оно превращает невидимое в измеримое. Углерод, хранящийся в почве и растительности, нельзя напрямую взвесить или подсчитать. Но методы ведения сельского хозяйства, определяющие количество углерода в ландшафте, включая то, что высаживается, как обрабатывается почва и как распределяется биомасса, оставляют обнаруживаемые спектральные и структурные следы, которые спутники, системы LiDAR и платформы SAR могут наблюдать, записывать и количественно оценивать.

От базового картирования до проверки эффективности практик, от оценки биомассы до документации по мониторингу, отчетности и верификации (MRV), дистанционное зондирование обеспечивает научную основу, необходимую для функционирования углеродных рынков с соблюдением принципов добросовестности. Связь между точным земледелием и углеродными рынками никогда не была такой сильной. Фермеры, внедряющие методы управления, основанные на данных, не только повышают свою производительность, но и получают проверяемые, пространственно детализированные данные об использовании углерода, которые все чаще требуются реестрам, покупателям и регулирующим органам.

Мониторинг испарения с помощью дистанционного зондирования представляет собой одно из наиболее значимых достижений в области сельскохозяйственной водной науки за последние два десятилетия. Объединяя полученные со спутников тепловые данные, индексы растительности и физику энергетического баланса, ученые и фермеры теперь могут оценивать объем воды, покидающей поверхность земли на миллионах гектаров, — без единого наземного датчика.

Эта возможность кардинально меняет подход агрономов к планированию орошения, отслеживанию засух правительствами и количественной оценке водного следа целых речных бассейнов. Сельское хозяйство потребляет примерно 701 тонну (3 тонны) всей мировой пресной воды, однако большая часть этой воды никогда не измеряется непосредственно на уровне поля — критически важный пробел, который быстро устраняется благодаря мониторингу испарения с помощью дистанционного зондирования.

Что такое эвапотранспирация?

Эвапотранспирация (ЭТ) — это комплексный процесс, посредством которого вода перемещается с поверхности земли в атмосферу. Он включает в себя два компонента, работающих одновременно: испарение, прямую конверсию жидкой воды из почвы, водоемов и поверхности растений в водяной пар; и транспирацию, биологическое перемещение воды, поглощенной корнями растений, транспортируемой вверх по стеблю и выделяемой в виде пара через крошечные поры в листьях, называемые устьицами.

Вместе эти два процесса обусловливают наибольший поток воды, покидающий наземную экосистему. В большинстве сельскохозяйственных ландшафтов эвапотранспирация возвращает в атмосферу от 60 до 80 процентов всех осадков. Эта цифра делает эвапотранспирацию доминирующей переменной в водном балансе суши — более влиятельной, чем поверхностный сток или глубокая инфильтрация в большинстве сельскохозяйственных угодий.

Эвакуация и испарение (ЭВ) находятся в центре гидрологического цикла, связывая поверхность земли, биосферу и атмосферу. При высоких темпах ЭВ быстрее истощается почвенная влага, снижается базовый сток рек и падает скорость пополнения водоносных горизонтов. Когда ЭВ замедляется — из-за засухи, старения урожая или изменения землепользования — последствия распространяются по доступности воды ниже по течению.

В климатологии эвапотранспирация (ЭТ) является основным механизмом связи между круговоротом углерода и воды. Растения открывают свои устьица, чтобы поглощать CO2 для фотосинтеза, и при этом одновременно выделяют водяной пар. Любое изменение глобального растительного покрова, температуры или концентрации CO2 смещает планетарный баланс ЭТ и оказывает обратное воздействие на региональные закономерности выпадения осадков.

Почему мониторинг испарения является приоритетной задачей в управлении водными ресурсами?

Точные данные об эвапотранспирации позволяют принимать более обоснованные решения в различных секторах. В сельском хозяйстве знание фактического потребления воды растениями на уровне поля позволяет специалисту по ирригации точно определить, сколько воды нужно подать, когда это сделать и где возникают дефициты, прежде чем появятся видимые признаки стресса у растений.

Такая точность предотвращает как чрезмерный полив, который приводит к растрате воды и вымыванию питательных веществ, так и недостаточный полив, который снижает урожайность.

1. Планирование полива: Планирование орошения на основе эвапотранспирации заменяет догадки физическими принципами. Когда фермер знает, что кукурузное поле в июле теряет 7 мм воды в день из-за эвапотранспирации, он может восполнить именно этот дефицит, вместо того чтобы поливать с фиксированным календарным интервалом.

2. Мониторинг засухи: Устойчивое снижение фактического испарения по сравнению с эталонным испарением (тем, что испарилось бы при неограниченном водоснабжении) сигнализирует о начинающемся засушливом стрессе. Дистанционное зондирование позволяет зафиксировать этот сигнал за несколько недель до того, как потери урожая станут заметны невооруженным глазом.

3. Планирование водных ресурсов: Для учета водных ресурсов на уровне бассейна необходимы данные об эвапотранспирации в масштабе всего водосборного бассейна. Спутниковый мониторинг эвапотранспирации обеспечивает такое пространственное покрытие с минимальными затратами по сравнению с сетью наземных станций.

4. Оценка изменения климата: Долгосрочные тенденции испарения и транспирации показывают, как повышение температуры и изменение характера осадков влияют на водопотребление экосистем — эти данные служат основой для планирования адаптационных мер на региональном и национальном уровнях.

5. Мониторинг состояния экосистемы: Показатели эвапотранспирации водно-болотных угодий, транспирация лесов и водопотребление лугов — все эти параметры чувствительно реагируют на экологические нарушения. Дистанционное зондирование эвапотранспирации позволяет зафиксировать эти изменения на больших, труднодоступных территориях.

Какие факторы влияют на испарение?

Эвапотранспирация (ЭТ) формируется под влиянием сочетания климатических условий, характеристик ландшафта и биологии растений. Ниже приведено описание ключевых факторов, влияющих на этот процесс.

1. Тип почвы. Состав почвы играет важную роль в удержании влаги и испарении. Песчаные или гравийные почвы, как правило, удерживают меньше воды и выделяют больше за счет испарения, тогда как суглинистые или глинистые почвы лучше удерживают влагу.

2. Температура воздуха. Температура напрямую влияет на скорость испарения. Более теплый воздух обладает большей способностью удерживать влагу, а повышение температуры ускоряет превращение воды в пар, тем самым увеличивая испарение.

3. Солнечное излучение. Солнечное излучение не только генерирует тепло, но и включает в себя изменения уровня энергии, частоты и альбедо — все это влияет на эвапотранспирацию. Эти факторы различаются в зависимости от местоположения и времени года, и для их точного измерения часто требуются передовые технологии.

4. Влажность. Относительная влажность (ОВ) — это количество водяного пара, присутствующего в воздухе, относительно его максимальной вместимости. При высокой влажности воздух поглощает меньше дополнительной влаги, что замедляет испарение. И наоборот, более сухой воздух может поглощать больше пара, что приводит к более высоким показателям испарения.

5. Растительный покров. Различные виды растений взаимодействуют с водой по-разному. Некоторые эффективно накапливают воду в засушливые периоды, в то время как другие теряют её быстрее. На скорость эвапотранспирации также влияют возраст растения, его состояние здоровья и глубина корневой системы — более глубокие корни позволяют культурам дольше обходиться без полива. Эти физиологические различия означают, что эвапотранспирация может сильно варьироваться в зависимости от вида культуры, что требует разработки индивидуальных стратегий полива.

6. Скорость ветра. Ветер является основным фактором как испарения, так и транспирации. Он рассеивает влажный слой воздуха, образующийся над растительностью, увеличивая испарение. Он также способствует диффузии пара через поры растений, усиливая транспирацию. Однако очень сильные, сухие ветры иногда могут препятствовать диффузии пара, незначительно снижая испарение в определенных условиях.

Основные понятия эвапотранспирации

ET(0) отражает способность атмосферы вызывать потери воды и является чисто климатическим показателем. ET(c) измеряет потери воды здоровыми, хорошо орошаемыми культурами, растущими в идеальных условиях при их максимальном потенциале урожайности. Когда культуры сталкиваются с неоптимальным управлением или экологическими проблемами, ET(c) необходимо скорректировать, чтобы получить ET(c adj). Эвапотранспирация сельскохозяйственных культур понимается через три различных понятия:

1. ET(0) — Эталонное испарение
2. ET(c) — Испарение в стандартных условиях
3. ET(c adj) — Испарение в нестандартных условиях

1. Эталонное испарение — ET(0)

ET(0) представляет собой скорость испарения воды с хорошо увлажненной эталонной поверхности, обычно моделируемой как идеализированный травяной покров, отвечающий определенным критериям.

Этот показатель учитывает испарительную потребность атмосферы независимо от типа культуры, стадии роста или методов ведения сельского хозяйства. Поскольку предполагается, что эталонная поверхность полностью увлажнена, состояние почвы исключается из расчета, что устраняет необходимость определения отдельных пороговых значений испарения для каждой культуры на каждой стадии роста.

ET(0) полностью определяется климатическими переменными, и типичные значения варьируются в зависимости от агроклиматических зон, хотя эти цифры служат лишь общими ориентирами.

2. Испарение в стандартных условиях — ET(c)

ET(c) количественно определяет количество воды, выделяемой здоровым, хорошо питающимся урожаем, выращенным на больших, адекватно орошаемых полях в благоприятных погодных условиях при максимальной продуктивности. Он вычисляется путем умножения эталонного значения ET на коэффициент урожая K(c):

ET(c) = ET(0) × K(c)

3. Испарение в нестандартных условиях — ET(c adj)

ET(c adj) учитывает отклонения от идеальных условий выращивания в реальных условиях. Такие факторы, как вредители и болезни, дефицит или избыток воды, засоленность почвы и низкое плодородие почвы, могут привести к тому, что фактическое потребление воды культурами будет значительно отличаться от ET(c). Для учета этих эффектов, наряду с коэффициентом культуры, вводится коэффициент водного стресса K(s):

ET(c прил) = ET(0) × K(c) × K(s)

Традиционные методы измерения эвапотранспирации

До появления дистанционного зондирования ученые измеряли эвапотранспирацию с помощью прямых физических приборов. Каждый метод хорошо работает в определенном масштабе, но имеет существенные недостатки, ограничивающие его широкое применение в сельском хозяйстве. К числу лучших наземных методов измерения эвапотранспирации относятся:

1. Лизиметр: Лизиметр (большой контейнер, заполненный почвой и растущими культурами, установленный на одном уровне с землей) измеряет эвапотранспирацию путем взвешивания почвенного блока в течение определенного времени. При контролируемом количестве осадков и сборе дренажных вод разница в массе между временными интервалами равна фактической эвапотранспирации.

Лизиметры обеспечивают наиболее точные измерения эвапотранспирации, но стоят сотни тысяч долларов за единицу, охватывают лишь несколько квадратных метров и не могут отражать пространственную изменчивость реального поля.

2. Система вихревой ковариации: Система вихревой ковариации измеряет испарение путем вычисления ковариации между вертикальной скоростью ветра и концентрацией водяного пара над растительным покровом с помощью быстродействующих датчиков. Она охватывает “зону охвата” от нескольких сотен метров до нескольких километров, что делает ее гораздо более репрезентативной, чем лизиметр.

Однако установка и обслуживание измерительных вышек для мониторинга испарения и транспирации обходится в 50 000–300 000 долларов США, а глобальная сеть FLUXNET насчитывает всего около 900 активных станций — слишком мало для мониторинга испарения и транспирации в сельском хозяйстве в национальном масштабе.

3. Метод коэффициента Боуэна: Метод коэффициента Боуэна позволяет оценить эвапотранспирацию (ЭТ) путем измерения отношения потока явной теплоты (нагрева воздуха) к потоку скрытой теплоты (ЭТ) с использованием градиентов температуры и влажности над растительным покровом. Он проще, чем метод вихревой ковариации, но требует однородных условий на расстоянии до источника излучения и не может использоваться на сложном рельефе.

4. Расчеты испарения и транспирации на основе данных метеостанции. Используя уравнение Пенмана-Монтейта ФАО, вычислите эталонное испарение (ET0) на основе данных о температуре воздуха, влажности, скорости ветра и радиации. Этот метод широко используется для планирования орошения, но дает эталонное испарение, а не фактическое, поскольку предполагает хорошо увлажненную эталонную культуру, а не фактическую культуру на поле.

Главная проблема всех наземных методов — масштаб. Один лизиметр охватывает несколько квадратных метров. Измерительная вышка покрывает в лучшем случае несколько сотен гектаров. Но современное управление водными ресурсами в сельском хозяйстве требует данных об эвапотранспирации на уровне поля по всей территории речных бассейнов — пространственная задача, которую может решить только дистанционное зондирование.

Основы дистанционного зондирования для мониторинга эвапотранспирации

В контексте мониторинга эвапотранспирации дистанционное зондирование представляет собой сбор и анализ данных, полученных со спутников или самолетов, для оценки потока воды, покидающей поверхность земли, без физического контакта с этой поверхностью.

Этот подход работает, потому что растения и почва обмениваются энергией с атмосферой способами, которые можно обнаружить из космоса — в частности, посредством излучения теплового инфракрасного излучения. Когда растение эффективно испаряет влагу, оно использует поступающую солнечную энергию для испарения воды, а не для нагревания. Растительный покров с достаточной влажностью почвы остается относительно прохладным.

Напротив, в условиях дефицита влаги растительный покров закрывает устьица, чтобы сохранить воду, и поскольку меньше скрытой теплоты (ET) потребляет поступающую энергию, температура поверхности растительного покрова повышается. Это основной физический сигнал, который фиксирует тепловое дистанционное зондирование.

Основные физические принципы, лежащие в основе спутниковой оценки испарения и транспирации.

Сайт энергетический баланс Это основная концептуальная модель. На любой поверхности земли чистое излучение (Rn), поступающее от солнца и атмосферы, должно равняться сумме трех источников поглощения энергии: теплового потока почвы (G), потока явного тепла (H, который нагревает воздух) и потока скрытого тепла (LE, который определяет испарение). В виде уравнения это записывается так: Rn = G + H + LE. Оценивая Rn, G и H по спутниковым данным, модель вычисляет LE — и, следовательно, испарение — как остаток.

1. Температура поверхности земли Температура поверхности земли (LST), измеряемая в тепловом инфракрасном диапазоне, является основным наблюдаемым параметром, используемым для оценки потока явного тепла H. Более горячая поверхность передает больше тепла воздуху (высокое значение H), оставляя меньше энергии для испарения (низкое значение LE). Более холодная, хорошо орошаемая поверхность имеет более низкое значение H и более высокое значение LE.

2. Индексы растительности Индекс NDVI, например, показывает, сколько зеленого, фотосинтетически активного растительного материала покрывает поверхность, что влияет на скорость транспирации. Густой зеленый покров испаряет больше влаги, чем голая почва или редкий участок.

3. Чистое излучение рассчитывается на основе потоков коротковолнового и длинноволнового излучения, которые оцениваются с помощью дистанционного зондирования по данным об альбедо поверхности, растительном покрове и тепловом излучении.

Мониторинг испарения с помощью спутников не заменяет наземные данные — это единственный инструмент, способный предоставлять пространственно непрерывные данные об использовании воды в масштабе, в котором фактически принимаются сельскохозяйственные и гидрологические решения.

Преимущество дистанционного зондирования перед наземными методами заключается не только в пространственном охвате. Спутниковые данные обеспечивают синоптические, воспроизводимые измерения на крайне неоднородных ландшафтах — то, что ни одна наземная сеть не смогла бы воспроизвести при сопоставимых затратах.

Источники данных дистанционного зондирования для оценки испарения и транспирации

Для оценки испарения и транспирации из космоса необходимо объединять данные с нескольких типов датчиков. Ни один спутник не предоставляет всех необходимых входных данных для полной модели испарения и транспирации, поэтому в оперативных продуктах для оценки испарения и транспирации обычно используются данные с нескольких платформ.

1. Спутниковые платформы для оценки испарения и транспирации

i. Landsat Спутник (USGS/NASA) работает непрерывно с 1972 года и предоставляет многоспектральные и тепловые изображения с пространственным разрешением 30 метров и 16-дневным циклом повторного облета. Его обширный архив делает его незаменимым для анализа исторического испарения и мониторинга урожая. Большинство моделей энергетического баланса испарения, включая SEBAL и METRIC, изначально были разработаны на основе данных Landsat.

ii. Sentinel-2 (ESA) предлагает мультиспектральные изображения с разрешением 10 метров и периодом повторного облета 5 дней для расчета индексов растительности с высоким разрешением. Хотя он не имеет теплового диапазона, он дополняет Landsat, предоставляя более частые и высококачественные данные NDVI, EVI и LAI для моделей эвапотранспирации на основе растительности.

iii. MODIS Спектрорадиометр среднего разрешения (MODIS, NASA) обеспечивает ежедневное глобальное покрытие с разрешением от 250 м до 1 км. Его более низкое пространственное разрешение ограничивает применение в полевых условиях, но делает его идеальным для континентального и глобального мониторинга эвапотранспирации с помощью таких продуктов, как MOD16.

iv. ЭКОСТРЕСС Спутник NASA ECOSTRESS установлен на Международной космической станции и предоставляет данные в тепловом инфракрасном диапазоне с разрешением 70 метров и периодом повторного облета от 1 до 5 дней. ECOSTRESS был специально разработан для измерения водного стресса и эвапотранспирации сельскохозяйственных культур в масштабах, близких к полю — пробел в возможностях, который не могли восполнить MODIS и более ранние спутники.

v. VIIRS Комплект видимого и инфракрасного радиометра (Visible Infrared Imaging Radiometer Suite, NOAA/NASA), установленный на спутниках Suomi NPP и JPSS, продолжает традиции глобального ежедневного покрытия MODIS, обеспечивая улучшенную калибровку датчиков и поддерживая оперативные продукты ET в региональном и глобальном масштабах.

2. Наблюдения за внеземными цивилизациями с помощью БПЛА и дронов

Беспилотные летательные аппараты (БПЛА, или дроны), оснащенные тепловизионными камерами и мультиспектральными датчиками, могут составлять карты испарения и транспирации (ET) с пространственным разрешением менее метра на отдельных полях. Тепловизионная камера, установленная на дроне, измеряет температуру растительного покрова напрямую, и в сочетании с наземными метеорологическими данными она создает карты испарения и транспирации с разрешением, недостижимым для спутников.

• Беспилотники с тепловизионными камерами Обнаружение участков растений, испытывающих дефицит воды, на поле до появления каких-либо видимых симптомов, что позволяет применять дифференцированный режим орошения в масштабах всего поля.
• Многоспектральные датчики Беспилотники вычисляют NDVI и EVI с сантиметровым разрешением, используя полученные данные для построения моделей эвапотранспирации на основе коэффициентов урожайности для точного планирования полевых работ.
• Высокоточное картирование ЭТ Использование беспилотных летательных аппаратов особенно ценно для выращивания специализированных культур — плодовых деревьев, винограда, овощей, — где внутриполевая изменчивость высока, а последствия водного стресса обходятся дорого.

Ключевые переменные дистанционного зондирования, используемые в мониторинге эвапотранспирации

Каждая переменная, извлеченная из спутниковых данных, вносит свой вклад в оценку эвапотранспирации. Понимание того, что измеряет каждая переменная и почему это важно, помогает специалистам выбрать правильную модель и корректно интерпретировать результаты.

1. Нормализованный разностный индекс растительности Индекс NDVI рассчитывается как (ИК-диапазон – Красный) / (ИК-диапазон + Красный) с использованием коэффициентов отражения в ближнем инфракрасном и красном диапазонах. Он варьируется от -1 до +1, при этом густая зеленая растительность обычно имеет значение от 0,6 до 0,9. NDVI отражает плотность растительного покрова и степень его зелени, что напрямую коррелирует с площадью листьев и транспирационной способностью.

2. Улучшенный индекс растительности (EVI) добавляет синий диапазон для уменьшения атмосферных помех и влияния фонового излучения почвы, которые ухудшают показатели NDVI в густо заросших растительностью или часто облачных регионах. EVI более чувствителен, чем NDVI, в районах с высокой биомассой и используется в алгоритме MOD16 ET.

3. Индекс листовой поверхности Индекс листовой поверхности (LAI) количественно определяет общую площадь листа с одной стороны на единицу площади поверхности земли. Он напрямую влияет на транспирацию, определяя, какая часть поверхности листа обменивается водяным паром с атмосферой. Полученный со спутника индекс листовой поверхности является ключевым параметром во многих физически обоснованных моделях транспирации.

4. Альбедо поверхности Это доля поступающего солнечного излучения, отражаемого поверхностью. Она определяет, сколько солнечной энергии поглощает поверхность, что, в свою очередь, определяет количество энергии, доступной для осуществления эвапотранспирации. Темная, влажная почва имеет низкое альбедо (поглощает больше энергии); голая песчаная поверхность имеет высокое альбедо (отражает больше).

5. Влажность почвы Данные, полученные с помощью микроволновых датчиков, позволяют ограничивать модели эвапотранспирации, указывая на наличие достаточного количества воды в корневой зоне для удовлетворения потребности в транспирации. Когда влажность почвы падает ниже критического порога, фактическая эвапотранспирация падает ниже потенциальной скорости, даже если энергия доступна.

Бастианссен и др. (обзор в журнале Frontiers in Remote Sensing, 2026) обнаружили, что SEBAL, подтвержденный в более 30 стран, достигает Точность 85% для ежедневных оценок эвапотранспирации и 95% для сезонных оценок эвапотранспирации. в полевых условиях.

Сезонная точность 95% означает, что учет потребления воды сельскохозяйственными культурами по всему орошаемому району может надежно проводиться с использованием только спутниковых данных, что исключает необходимость в разветвленных сетях наземных станций.

Модели оценки эвапотранспирации

1. Модели энергетического баланса

Модели энергетического баланса рассчитывают ET как остаток от баланса энергии поверхности: ET = Rn – G – H. Каждая модель отличается способом оценки потока явного тепла H, который является наиболее ресурсоемким и чувствительным к ошибкам компонентом.

i. Алгоритм баланса поверхностной энергии для суши Модель SEBAL (Satterly Equity Albedo) была разработана компанией Bastiaanssen в 1998 году и остается одной из наиболее широко применяемых спутниковых моделей эвапотранспирации в мире. SEBAL использует три основных параметра, полученных со спутника: температуру поверхности земли (T0), полусферическую отражательную способность поверхности (альбедо r0) и NDVI.

Для оценки потока явного тепла SEBAL определяет два опорных пикселя — “горячий пиксель” (сухая голая почва, где испарение близко к нулю) и “холодный пиксель” (хорошо увлаженная культура, где испарение максимально) — и интерполирует H по всей сцене относительно этих крайних значений. Эта функция самокалибровки делает SEBAL менее чувствительным к абсолютным ошибкам калибровки метеорологических данных.

ii. Картирование эвапотранспирации с высоким разрешением с помощью внутренней калибровки Модель METRIC основана на SEBAL, но с добавлением автоматической калибровки по эталонному значению испарения (ET), рассчитанному на основе данных метеостанции. METRIC лучше подходит для регионов с полными сетями метеорологических данных и широко используется для оперативного управления орошением на западе США.

iii. Система баланса поверхностной энергии (SEBS) использует теорию турбулентных потоков для оценки потока явного тепла на основе данных о температуре поверхности земли, шероховатости поверхности и скорости ветра, полученных со спутника. SEBS является более физически точным методом, чем SEBAL, но требует дополнительных входных данных, что делает его более подходящим для исследований, чем для оперативного управления фермерским хозяйством.

Выбор модели эвапотранспирации — это не просто техническое решение, это решение о том, на какой вопрос вы пытаетесь ответить. Учет водных ресурсов на уровне бассейна и инструмент планирования орошения на уровне поля требуют принципиально разных уровней пространственного разрешения и временной частоты.

iv. Энергетический баланс двух источников Модель (TSEB) рассматривает почву и растительный покров как два отдельных источника испарения, каждый со своим температурным и энергетическим балансом. Такой подход более точен для редкой растительности или смешанных типов землепользования, где модель с одним источником может смешивать испарение с почвы и транспирацию растений.

2. Модели эвапотранспирации на основе индекса растительности

Не все модели эвапотранспирации требуют использования тепловых изображений. Модели, основанные на индексе растительности, оценивают эвапотранспирацию с помощью тепловых изображений. подход с использованием коэффициента урожая (Kc x ET0), где коэффициент урожая Kc определяется на основе NDVI или EVI, а эталонное испарение (ET0) берется с метеостанции. Методология FAO-56 формализует этот подход и широко используется для планирования орошения, поскольку не требует данных о температурных диапазонах.

модели машинного обучения, включая Случайный лес, Искусственные нейронные сети (ИНС), Архитектуры глубокого обучения все чаще применяются для оценки испарения и транспирации (ET) путем изучения сложных нелинейных зависимостей между входными данными, полученными со спутников (температура поверхности моря, индекс NDVI, альбедо, индекс листовой поверхности), и измерениями испарения с помощью измерительных вышек.

В исследовании 2023 года, опубликованном в журнале Remote Sensing of Environment, было установлено, что модель случайного леса, обученная на данных MODIS и метеорологических параметрах, предсказывает ежедневное испарение с коэффициентом детерминации R2 равным 0,87 и среднеквадратичной ошибкой RMSE 0,51 мм/день в различных биомах — что сопоставимо с традиционными моделями энергетического баланса, но требует значительно меньших усилий по параметризации.

Исследование, опубликованное в журнале Taylor and Francis Open (2021), показало, что алгоритм SEBAL, примененный к изображениям Landsat 8 над районом выращивания кукурузы в Адане, Турция, позволил получить оценки испарения и транспирации с определенной точностью. Коэффициент корреляции R = 0,91 против метода Пенмана-Монтейта ФАО и среднеквадратичной ошибки всего лишь 1,14 мм/день.

Точность SEBAL в полевых условиях означает, что спутниковые данные об эвапотранспирации могут заменить или существенно сократить необходимость в дорогостоящих установках лизиметров в действующих системах управления орошением.

Продукты для изучения внеземной жизни на основе спутниковых данных доступны для оперативного использования.

В настоящее время ряд глобальных и региональных продуктов для расчета эвапотранспирации (ЭТ) преобразуют данные дистанционного зондирования в готовые к использованию слои данных ЭТ. Специалистам больше не нужно запускать собственные модели энергетического баланса — они могут напрямую получать доступ к этим предварительно рассчитанным наборам данных.

1. Продукт MOD16 ET НАСА использует данные MODIS с алгоритмом Пенмана-Монтейта, основанным на данных MODIS о землепользовании, индексе листовой поверхности (LAI), индексе эвапотранспирации (EVI) и глобальных метеорологических данных реанализа. Он предоставляет 8-дневные и месячные композиты эвапотранспирации с разрешением 500 метров по всему миру. MOD16 хорошо подходит для исследований в масштабах ландшафта, но слишком груб для управления отдельными полями.

2. SSEBop Модель SEBAL (Simplified Surface Energy Balance operational), разработанная Геологической службой США (USGS), упрощает задачу калибровки «горячих» и «холодных» пикселей, используя заранее определенные температурные границы, полученные на основе долгосрочных климатологических данных. Модель SSEBop работает в оперативных условиях с разрешением 30 метров, используя данные Landsat, и является одной из шести моделей в ансамбле OpenET.

3. Платформа OpenET, Проект, запущенный в 2021 году и реализуемый в рамках государственно-частного сотрудничества под руководством НАСА, Геологической службы США, Калифорнийского государственного университета в Монтерей-Бей, Фонда защиты окружающей среды и Института исследований пустыни, предоставляет данные об эвапотранспирации в масштабах поля с разрешением 30 метров на территории западной части Соединенных Штатов.

Знаковое исследование, опубликованное в журнале Nature Water в январе 2024 года, в котором сравнивались оценки OpenET с измерениями, полученными на 152 наземных пунктах измерения потоков, подтвердило, что OpenET обеспечивает высокую точность для однолетних культур, таких как пшеница, кукуруза, соя и рис, особенно в засушливых регионах, где нехватка воды делает точность орошения критически важной.

4. Портал WaPOR ФАО предоставляет данные об эвапотранспирации (ET) для Африки и Ближнего Востока с разрешением 30, 100 и 250 метров, специально разработанные для поддержки анализа водопродуктивности в сельском хозяйстве в развивающихся регионах с дефицитом данных.

5. БЛЕСК Модель испарения с поверхности суши (Global Land Evaporation Amsterdam Model) разделяет испарение на компоненты транспирации, испарения с голой почвы, потерь на перехват и испарения с открытой воды, используя данные о влажности почвы, полученные с помощью микроволнового излучения, и спутниковые данные о растительности. Она превосходно справляется с разделением сигнала испарения на биологические и физические компоненты.

Применение дистанционного зондирования

1. Точное орошение и управление водным режимом сельскохозяйственных культур.

Наиболее непосредственное применение спутниковых данных об эвапотранспирации (ЭТ) — это планирование орошения. Имея доступ к еженедельным картам ЭТ в масштабе поля, фермер может рассчитать дефицит орошения — разницу между фактической ЭТ и эффективным количеством осадков — и использовать ровно этот объем воды. Это позволяет избежать хронической привычки к чрезмерному поливу, которая приводит к растрате воды без увеличения урожайности.

В дельте рек Сакраменто и Сан-Хоакин в Калифорнии специалисты по управлению водными ресурсами используют OpenET, чтобы помочь фермерам соблюдать государственные правила, требующие точной отчетности об использовании воды.

Высокая точность спутниковых данных об эвапотранспирации для однолетних культур обеспечивает юридически обоснованную основу для учета водных ресурсов, которую не может обеспечить ни один наземный метод с таким пространственным охватом.

В исследовании 2024 года, опубликованном в журнале Agricultural Water Management (Ott et al., 2024; Desert Research Institute), была проведена оценка эффективности OpenET на основе данных об орошении, полученных с помощью измерительных приборов, в бассейнах подземных вод Невады.

В долине Даймонд, по оценкам OpenET, наблюдалось лишь... Разница в 7% по сравнению с данными учета потребления воды., демонстрируя эксплуатационную надежность для регулирования управления подземными водами.

Погрешность в 71 ТТ3Т в масштабе бассейна означает, что спутниковые данные об эвапотранспирации могут заменить дорогостоящую измерительную инфраструктуру в регионах, где запасы подземных вод критически истощены.

2. Системы оценки засухи и раннего предупреждения

Мониторинг засухи — еще одно важное направление его применения. Индекс испарительного стресса Индекс эвапотранспирации (ESI), рассчитываемый на основе тепловых данных ECOSTRESS и MODIS, измеряет отношение фактического испарения к потенциальному испарению.

Когда индекс ESI значительно падает ниже 1,0, это сигнализирует о том, что растения испытывают водный стресс — надежный ранний индикатор сельскохозяйственной засухи, который часто можно обнаружить за 4–8 недель до того, как потери урожая станут измеримыми.

Национальный центр по борьбе с засухой Министерства сельского хозяйства США интегрирует спутниковые индексы засухи, основанные на данных об эвапотранспирации, в оперативные карты мониторинга засухи, используемые правительствами штатов, агентствами по страхованию урожая и органами управления чрезвычайными ситуациями. Эта интеграция делает реагирование на засуху более быстрым и целенаправленным, чем подходы, основанные только на календарных данных или данных только об осадках.

3. Управление водными ресурсами в масштабе бассейна

Для учета водных ресурсов в масштабах бассейна необходимо знать, сколько воды покидает поверхность земли в виде эвапотранспирации (ЭТ) на миллионах гектаров. Именно это и предоставляют спутниковые данные об ЭТ, такие как MOD16, GLEAM и WaPOR, в глобальном масштабе.

• Агентства по управлению водохранилищами Используйте данные об эвапотранспирации (ЭТ) для оценки водоотдачи водосборного бассейна — разницы между осадками и ЭТ, — которая определяет, сколько воды фактически достигает рек и водохранилищ.
• Органы, контролирующие трансграничные речные бассейны Использовать спутниковые данные об использовании энергии для независимой проверки национальной отчетности по водопотреблению без необходимости доступа к национальным наземным сетям передачи данных.
• Руководители ирригационных округов Использовать данные об эвапотранспирации для отслеживания потребления воды различными видами сельскохозяйственных культур на всей территории обслуживания, способствуя справедливому распределению водных ресурсов и соблюдению нормативных требований.

4. Применение в области охраны окружающей среды и экологии

Мониторинг эвапотранспирации водно-болотных угодий с помощью спутниковых данных позволяет количественно оценить использование воды экосистемами в труднодоступных болотах, торфяниках и эстуариях, где невозможно разместить наземные датчики. Мониторинг эвапотранспирации лесов показывает, как вырубка лесов, лесовосстановление и лесные пожары изменяют водный баланс целых водосборных бассейнов — это критически важные данные для учета углерода в лесах и планирования водоснабжения.

Испарение и транспирация — это невидимая нить, связывающая каждое растение на Земле с глобальным круговоротом воды. Дистанционное зондирование — единственный инструмент, позволяющий увидеть этот процесс в масштабе, имеющем значение для управления водными ресурсами.

Оценка точности и проверка достоверности спутниковых данных об эвапотранспирации

Ни один продукт, основанный на данных об эвапотранспирации (ET), не будет полезен без тщательной проверки. Стандартный подход заключается в сравнении спутниковых оценок ET с измерениями, полученными с помощью станций вихревой ковариации — наиболее точных доступных наземных данных об ET в масштабе ландшафта.

глобальный FLUXNET Сеть FLUXNET предоставляет данные с открытых измерительных вышек, собранные на сотнях площадок в различных биомах. Разработчики продуктов ET сравнивают результаты своих моделей с измерениями FLUXNET для расчета статистических показателей эффективности, включая

• R2 (коэффициент корреляции),
• RMSE (среднеквадратичная ошибка) и
• Смещение (систематическая переоценка или недооценка).

Проверка достоверности модели проводится отдельно для различных типов землепользования, климатических зон и сезонов, поскольку точность модели испарения и транспирации существенно различается в зависимости от этих условий.

Модели энергетического баланса, такие как SEBAL и METRIC, как правило, показывают наилучшие результаты в полузасушливых сельскохозяйственных ландшафтах с ясным небом. Их эффективность снижается во влажных тропических лесах, сложном горном рельефе и районах с частой облачностью.

В исследовании точности модели OpenET, опубликованном в журнале Nature Water, сравнивались шесть моделей эвапотранспирации с результатами измерений. 152 площадки для установки измерительных вышек. В ходе исследования, проведенного по всей территории Соединенных Штатов, было установлено, что ансамбль OpenET показал наилучшие результаты именно для однолетних культур в засушливых западных регионах — районах, где управление орошением имеет наиболее важное экономическое и экологическое значение.

Специалисты по управлению водными ресурсами в засушливых регионах могут с высокой степенью достоверности использовать данные OpenET для контроля соблюдения норм орошения и отслеживания водного баланса, заменяя дорогостоящую инфраструктуру учета.

Проблемы дистанционного зондирования и мониторинга эвапотранспирации

Несмотря на быстрый прогресс, ряд технических и эксплуатационных проблем ограничивает точность и применимость спутникового мониторинга эвапотранспирации.

1. Ограничения, связанные с облачностью: Для оптического и теплового дистанционного зондирования необходимы безоблачные условия. В регионах с влажным тропическим климатом или в сезон муссонов постоянная облачность может создавать пробелы в данных от нескольких недель до нескольких месяцев, нарушая временную непрерывность, необходимую для управления ирригацией.

2. Ограничения пространственного разрешения: MODIS, спутник с самой высокой частотой наблюдений, предоставляет данные об эвапотранспирации с разрешением 500 метров — слишком низким для полей площадью менее 25 гектаров. Разрешение Landsat в 30 метров подходит для большинства сельскохозяйственных полей, но имеет 16-дневный цикл повторного облета, из-за чего не учитываются резкие изменения водного дефицита.

3. Компромиссы в отношении временного разрешения: Высокое пространственное разрешение (Landsat, Sentinel-2, ECOSTRESS) и высокое временное разрешение (MODIS, VIIRS) находятся в обратной зависимости. Для преодоления этого разрыва необходимы методы слияния данных.

4. Модельные допущения в неоднородных ландшафтах: Модели энергетического баланса, основанные на использовании одного источника энергии, предполагают однородный растительный покров, что не работает в условиях редкой растительности, смешанных систем земледелия или на границе между городскими и сельскохозяйственными угодьями, где температура почвы и растений резко различается.

5. Доступность данных в развивающихся регионах: Данные наземных метеостанций, необходимые для уточнения моделей испарения и транспирации, крайне скудны на большей части территории к югу от Сахары, в Южной Азии и Центральной Азии — именно в тех регионах, где наиболее остро необходима модернизация управления водными ресурсами.

Новые технологии и перспективы мониторинга эвапотранспирации

Ряд взаимосвязанных технологических разработок в ближайшие пять-десять лет позволит значительно расширить точность, охват и доступность дистанционного мониторинга эвапотранспирации.

1. Искусственный интеллект, машинное обучение и слияние данных

Модели глубокого обучения, обученные на больших многосенсорных наборах данных, начинают превосходить классические модели энергетического баланса в определенных ландшафтах. Сверточные нейронные сети могут одновременно интегрировать данные Landsat, Sentinel-2, MODIS и метеорологического реанализа, изучая пространственно-временные закономерности испарения и транспирации, которые не удается зафиксировать ни одной модели, использующей данные одного датчика.

Между тем, алгоритмы слияния данных — наиболее известным из которых является подход STARFM (Spatial and Temporal Adaptive Reflectance Fusion Model) — объединяют изображения Landsat высокого разрешения с ежедневными данными MODIS для создания синтетических ежедневных карт испарения и транспирации с разрешением 30 метров, эффективно решая проблему пространственно-временного компромисса, которая в настоящее время ограничивает применение методов точного земледелия.

2. Тепловизионные спутники высокого разрешения и группировки кубсатов.

Следующее поколение специализированных тепловых спутников для наблюдения Земли будет предоставлять тепловые изображения с разрешением менее 30 метров и ежедневным обновлением экспозиции.

Запланированные миссии, включая преемника Landsat Next и коммерческие тепловые группировки CubeSat, позволят устранить исторически сложившийся компромисс между пространственной детализацией и временной частотой, который ограничивал мониторинг эвапотранспирации в полевых условиях.

Как отмечается в отчете Future Market Insights (2025), рынок услуг дистанционного зондирования, оцениваемый в 22,87 млрд долларов США в 2025 году, по прогнозам, достигнет 84,28 млрд долларов США к 2035 году, в значительной степени благодаря расширению спутниковых группировок на низкой околоземной орбите.

3. Цифровые двойники для управления водными ресурсами

Системы цифровых двойников — динамические виртуальные копии сельскохозяйственных ландшафов, обновляющиеся практически в реальном времени на основе спутниковых данных и данных с датчиков IoT, — интегрируют данные дистанционного зондирования испарения и транспирации в качестве основного потока информации. Эти системы синхронизируют спутниковые карты испарения и транспирации, данные датчиков влажности почвы, прогнозы погоды и модели роста сельскохозяйственных культур для моделирования будущего состояния водного режима поля и автоматического назначения орошения.

Программное обеспечение и инструменты для мониторинга эвапотранспирации

Благодаря широкому набору платформ анализ эвапотранспирации, полученный с помощью дистанционного зондирования, теперь доступен специалистам, не обладающим глубокими знаниями в области программирования.

1. Google Earth Engine (GEE) GEE — это облачная платформа для геопространственных вычислений, которая хранит полные архивы данных Landsat, MODIS, Sentinel и ECOSTRESS, а также готовые алгоритмы расчета эвапотранспирации (ET). Аналитики могут выполнять расчеты ET по данным за несколько лет для целых регионов, не загружая изображения локально. GEE стала доминирующей исследовательской платформой для картирования эвапотранспирации на больших территориях.

2. Платформа OpenET Предоставляется веб-интерфейс, через который любой зарегистрированный пользователь может получить доступ к данным об эвапотранспирации (ET) в масштабе поля для сельскохозяйственных земель на западе Соединенных Штатов. Пользователи могут экспортировать ежедневные, ежемесячные или сезонные сводки по эвапотранспирации для отдельных полей или целых водохозяйственных районов, при этом знание программирования не требуется.

3. Портал WaPOR ФАО предоставляет аналогичный интерфейс для загрузки данных об эвапотранспирации (ЭТ) в Африке и на Ближнем Востоке, с прямыми ссылками на показатели продуктивности использования воды в сельском хозяйстве.

4. Рабочие процессы на Python и R Использование таких библиотек, как rasterio, xarray, geopandas (Python) или terra, raster (R), позволяет исследователям создавать собственные конвейеры обработки данных об эвапотранспирации, которые интегрируют спутниковые данные с локальными метеорологическими записями, моделями сельскохозяйственных культур и базами данных по орошению.

Примеры применения дистанционного зондирования для мониторинга эвапотранспирации

1. Управление ирригацией в засушливых регионах

В регионе Высоких равнин США — одной из наиболее интенсивно орошаемых сельскохозяйственных зон на Земле — исследователи из Института исследований пустыни продемонстрировали, что данные OpenET, интегрированные с климатическими наборами данных, позволяют с достаточной точностью оценивать объемы откачки грунтовых вод для поддержки регулирования снижения уровня грунтовых вод.

В ходе исследования были сопоставлены спутниковые оценки испарения и транспирации с данными, полученными с помощью измерительных насосов, и обнаружено, что в большинстве исследуемых бассейнов отклонение составляет менее 171 TP3T — уровень точности, достаточный для управления правами на воду.

2. Точное земледелие для различных видов сельскохозяйственных культур

Для планирования полива хлопковых полей был внедрен дистанционный мониторинг эвапотранспирации (ET) с использованием моделей SEBAL и METRIC, позволяющих отображать фактическую эвапотранспирацию на отдельных полях в течение вегетационного периода.

Исследования, опубликованные в Astrophysics Data System (2020), показали, что обе модели выявили более высокое, чем ожидалось, фактическое испарение на ранних стадиях развития культуры из-за высокого испарения с голой почвы — результат, который стандартный подход с использованием коэффициентов культуры систематически упускал из виду, что приводило к чрезмерному поливу в этот критический период.

3. Учет водных ресурсов в масштабе водосборного бассейна

Платформа WaPOR ФАО использовалась для проведения анализа водоэффективности в ирригационных системах Эфиопии, Египта и Иордании, позволяя количественно оценить эвапотранспирацию на единицу произведенной биомассы сельскохозяйственных культур.

В результате проведенного анализа были выявлены поля с водопродуктивностью ниже среднего показателя по бассейну, что позволило создать пространственную базу данных для целенаправленных программ повышения эффективности орошения в районах с низкой урожайностью.

Рекомендации по выбору подхода к мониторингу эвапотранспирации

Выбор оптимального сочетания спутниковых данных, модели эвапотранспирации и стратегии проверки зависит от конкретного вопроса, на который необходимо ответить, имеющихся ресурсов и допустимого уровня неопределенности.

1. Сначала определите пространственный и временной масштаб. Для ежемесячного учета водных ресурсов в масштабе бассейна требуется иной инструмент, чем для ежедневного планирования орошения в масштабе поля. Перед выбором любой модели необходимо согласовать разрешение и частоту повторного облета спутниковой платформы с потребностями управления.

2. Сопоставьте модель с типом ландшафта. Модели энергетического баланса, такие как SEBAL и METRIC, лучше всего работают в полузасушливых ландшафтах с преобладанием сельскохозяйственных культур и ясным небом. Модели, основанные на индексах растительности, лучше работают в регионах с ограниченными данными о температуре. Модели машинного обучения работают лучше всего, когда доступны большие, локально проверенные обучающие наборы данных.

3. Всегда выполняйте проверку локально. Даже самый точный глобальный продукт по эвапотранспирации следует проверить, сравнив его с данными как минимум одной локальной измерительной вышки или лизиметра, прежде чем внедрять его в эксплуатацию. Показатели эффективности, полученные в опубликованных исследованиях, редко точно соответствуют новым местам и типам культур.

4. Планируйте действия на случай периодов повышенной облачности. В регионах с высокой влажностью или тропическим климатом следует с самого начала планировать стратегии объединения данных или заполнения пробелов. Опора на один тепловой спутник с 16-дневным циклом повторного облета приведет к неприемлемым пробелам в данных в критические периоды роста сельскохозяйственных культур.

5. По возможности используйте открытые платформы. Google Earth Engine, OpenET и WaPOR предоставляют бесплатный доступ к проверенным и хорошо документированным продуктам для моделирования внеземного земного пространства. Создание собственной модели внеземного земного пространства с нуля редко оправдано, если только этого не требуют уникальные местные условия.

6. Интегрировать данные об эвапотранспирации с существующими системами управления фермерским хозяйством. Данные об эвапотранспирации наиболее ценны, когда они напрямую используются в программном обеспечении для планирования орошения, инструментах поддержки принятия решений или базах данных учета водных ресурсов, а не существуют в виде отдельных спутниковых данных.

Заключение

Мониторинг эвапотранспирации с помощью дистанционного зондирования превратился из экспериментальной исследовательской дисциплины в важнейший оперативный инструмент управления водными ресурсами в сельском хозяйстве. Сочетание все более точных спутниковых данных об эвапотранспирации, платформ с открытым доступом, таких как OpenET и WaPOR, и обработки данных с помощью искусственного интеллекта устраняет барьеры, которые ранее ограничивали доступ к спутниковому мониторингу эвапотранспирации для хорошо финансируемых исследовательских учреждений.

Имеющиеся возможности весьма значительны: модели энергетического баланса, проверенные в более чем 30 странах, спутниковые данные по эвапотранспирации (ET), обеспечивающие сезонную точность лучше 90% для основных однолетних культур, а также облачные платформы, предоставляющие данные по эвапотранспирации в масштабе поля любому фермеру или специалисту по управлению водными ресурсами, имеющему доступ к интернету. Эти возможности уже используются для контроля соблюдения правил орошения на реке Колорадо, для мониторинга истощения подземных вод в водоносном горизонте Высоких равнин и для повышения эффективности использования воды в сельском хозяйстве по всей Африке с помощью системы FAO WaPOR.

Рис обеспечивает продовольствием более 3,5 миллиардов человек во всем мире, однако, согласно обновленному глобальному атласу риса Международного института исследований риса (IRRI) за 2024 год, менее 601 тыс. тонн рисоводческих угодий имеют точные и актуальные карты посевов. Картирование структуры посевов риса и типов агротехники с использованием дистанционного зондирования быстро сокращает этот пробел, предоставляя пространственно точные и временные согласованные данные в масштабах, недоступных для наземных исследований.

От распознавания орошаемых низин с двойным урожаем в дельте Меконга во Вьетнаме до идентификации богарных полей с односезонным выращиванием в странах Африки к югу от Сахары — спутниковые и радиолокационные системы теперь предоставляют фермерам, правительствам и агентствам по обеспечению продовольственной безопасности необходимую информацию для уверенного планирования. По мере того как искусственный интеллект и облачные вычисления ускоряют обработку данных, ожидается, что мониторинг рисоводства в режиме, близком к реальному времени, станет мировым стандартом к 2027 году.

Почему рис важен и почему сложно контролировать его выращивание.

1. Производство риса и глобальное уравнение продовольственной безопасности

Рис является основным источником калорий для более чем половины населения мира, и его значение выходит далеко за рамки индивидуального питания. Мировое производство риса достигло приблизительно 520 миллионов метрических тонн шлифованного риса в 2024 году, Согласно данным ФАО, на Азию приходится почти 901 тыс. тонн этого объема.

Любые существенные перебои в поставках риса, будь то засуха, наводнение, вспышка вредителей или провал политики, вызывают резкие колебания цен на продовольствие, которые непропорционально сильно затрагивают беднейшие домохозяйства мира.

Для обеспечения продовольственной безопасности в таких масштабах требуется нечто большее, чем просто выращивание достаточного количества риса. Необходимо точно знать, где выращивается рис, сколько раз в год засевается каждое поле и какие методы ведения сельского хозяйства используются. Правительствам необходимы эти данные для распределения ирригационной инфраструктуры, субсидирования ресурсов и создания резервов на случай чрезвычайных ситуаций.

Проблема заключается в том, что рис выращивается на чрезвычайно фрагментированных ландшафтах, варьирующихся от террасированных склонов холмов на Филиппинах до обширных орошаемых равнин в Китае, что делает традиционные полевые обследования логистически и финансово нецелесообразными в национальном или региональном масштабе.

2. Необходимость систематического мониторинга структуры посевов риса.

Схемы выращивания риса, то есть количество сезонов выращивания риса в год и их распределение по территории, постоянно меняются. Климатическая изменчивость сокращает периоды выращивания в одних регионах и расширяет их в других. Экономические факторы подталкивают фермеров к переходу от однократного к двукратному севообороту, когда доступность воды и рыночные цены совпадают.

Без систематического мониторинга планировщики работают с данными переписи населения, которые могут быть устаревшими на пять и более лет, что приводит к хроническому нерациональному распределению воды, субсидий на удобрения и кредитов для сельского населения. Дистанционное зондирование предлагает решение этой проблемы мониторинга, предоставляя согласованные и воспроизводимые данные по всей стране за считанные дни.

Вместо того чтобы полагаться на самоотчеты фермеров или опросы переписчиков, спутниковые системы напрямую наблюдают за ландшафтом, фиксируя изменения рисовых полей в результате наводнений, пересадки рассады, вегетативного роста и сбора урожая в любое время года.

3. Что дает дистанционное зондирование в картографировании сельскохозяйственных угодий

Дистанционное зондирование — это наука о получении информации об объектах или территориях на расстоянии, как правило, с помощью датчиков, установленных на спутниках, самолетах или беспилотных летательных аппаратах (БПЛА). В сельском хозяйстве датчики измеряют энергию, отражаемую или излучаемую сельскохозяйственными культурами, почвой и водой на различных длинах волн электромагнитного спектра.

Поскольку различные типы растительного покрова по-разному отражают энергию на разных стадиях роста, спутниковые снимки позволяют отличить рисовое поле от кукурузного, а затопленный участок с пересаженным рисом от сухого участка с прямым посевом, причем точность этого отличия возрастает по мере совершенствования сенсорных технологий. Картирование схемы посева риса и типов агротехники с использованием дистанционного зондирования служит четырем взаимосвязанным целям.

• Во-первых, он позволяет получить пространственно детализированные данные о местах выращивания риса в сезонном и годовом масштабах.
• Во-вторых, в нем классифицируется количество севооборотов в год на каждой картированной территории, различая системы с одним, двумя и тремя севооборотами.
• В-третьих, он определяет используемые агротехнические приемы, например, осуществляется ли пересадка рассады или прямой посев, а также осуществляется ли управление водными ресурсами контролируемым или богарным способом.
• В-четвертых, она генерирует базовые данные, которые используются для прогнозирования производства, составления водного баланса, планирования адаптации к изменению климата и систем точного земледелия.

Понимание систем выращивания риса и типов агротехники.

1. Что на самом деле означает схема севооборота с рисом?

Схема севооборота риса описывает временное расположение посевов риса в течение календарного года в данном месте. Она отражает не только факт выращивания риса, но и количество раз, начало и конец каждого сезона, а также то, какая культура, если таковая имеется, выращивается после риса или перед ним на том же поле. Составление карты этих схем в масштабах региона дает планировщикам динамичную картину интенсивности землепользования и потребности в ресурсах, которую невозможно получить на основе одного снимка.

2. Системы монокультурного выращивания риса

В системах монокультурного земледелия фермеры выращивают рис один сезон в году, как правило, в соответствии с сезоном муссонных дождей или одним контролируемым циклом орошения. Эти системы преобладают в регионах, где доступность воды, рабочей силы или климатические условия ограничивают возможность выращивания риса во второй сезон.

Системы монокультурного земледелия, как правило, имеют более длительный вегетационный период, часто с использованием традиционных или улучшенных сортов с длительным периодом созревания, и они в значительной степени зависят от дождевого орошения, что делает их очень чувствительными к срокам и распределению осадков.

3. Системы выращивания риса в два урожая.

Системы двойного севооборота позволяют получать два урожая риса в год с одного и того же поля. Они наиболее распространены в Юго-Восточной и Южной Азии, включая дельту Красной реки во Вьетнаме, поймы Бангладеш и орошаемые районы индийского Пенджаба.

Временной промежуток между двумя сезонами невелик, часто менее 30 дней, поэтому для выявления зон с двойным урожаем по спутниковым данным необходимы плотные временные ряды наблюдений, позволяющие обнаружить два полных фенологических цикла в течение одного года.

4. Системы выращивания риса с тремя культурами.

Тройное севооборот, то есть три урожая риса в год, практикуется на ограниченных территориях, где круглый год сохраняются благоприятные условия как по доступности воды, так и по температуре. Системы тройного севооборота распространены в дельте Меконга на юге Вьетнама и в некоторых районах провинции Гуандун на юге Китая.

Хотя системы тройного севооборота максимально увеличивают интенсивность использования земли, они сопряжены со значительными проблемами, связанными с плодородием почвы и борьбой с вредителями. Дистанционное определение этих полей технически сложно, поскольку короткие периоды залежи между культурами сжимают фенологические сигналы в узкие временные промежутки.

5. Выращивание риса в условиях богарного земледелия

Согласно данным Международного института рисоводства (IRRI), на рисоводство, выращиваемый исключительно за счет осадков без искусственного полива, приходится приблизительно 451 тыс. тонн риса на 3 тонны от общей площади рисовых полей в мире. Это доминирующая система в странах Африки к югу от Сахары, горных районах Южной и Юго-Восточной Азии, а также на пойменных территориях, зависящих от дождей.

Системы богарного земледелия крайне уязвимы к изменчивости осадков, что приводит к колебаниям урожайности на 30-501 тонну на 3000 трлн тонн между влажными и засушливыми годами в некоторых регионах. С точки зрения дистанционного зондирования, картирование рисоводства на богарных полях затруднено, поскольку сигнал от наводнений слабее и более нерегулярен, чем на управляемых орошаемых полях.

6. Выращивание риса на орошаемых землях

Системы орошаемого рисоводства получают воду через каналы, насосы или управляемые водохранилища, что позволяет фермерам с высокой точностью контролировать сроки посадки и сбора урожая. В настоящее время орошаемый рис занимает лишь около 551 тыс. тонн рисовых полей в мире, но обеспечивает 751 тыс. тонн риса от общего объема производства, что отражает преимущество в урожайности, обусловленное обеспечением водными ресурсами.

Преднамеренное затопление орошаемых рисовых полей создает сильный и устойчивый радиолокационный сигнал обратного рассеяния, который надежно обнаруживается спутниковыми датчиками, что делает орошаемый рис одним из наиболее точно картируемых типов сельскохозяйственных культур в мире.

7. Системы выращивания риса на возвышенностях и в низинах

Рис, выращиваемый на возвышенностях, культивируется на незатопляемых, хорошо дренированных почвах, часто на склонах холмов или террасах в Азии и Африке. Поскольку эти поля никогда не затапливаются намеренно, на них отсутствует сигнал воды, позволяющий идентифицировать рис, выращиваемый на низменностях, с помощью радара, что вынуждает исследователей полагаться исключительно на спектральные характеристики растительности.

В отличие от рисоводства, рис, выращиваемый на равнинных или неглубоко затопляемых полях, где вода накапливается естественным образом или за счет орошения, выращивается именно на равнинных территориях. Равнинные системы преобладают в рисоводческих регионах Азии и являются основной целью большинства крупномасштабных картографических проектов.

Морфологический контраст между возвышенными и низменными полями, включая форму поля, топографическое положение и структуру растительного покрова, предоставляет дополнительные пространственные подсказки, которые объектно-ориентированный анализ изображений может эффективно использовать.

8. Прямой посев против пересадки риса

Пересадка риса предполагает выращивание рассады в питомнике в течение 25-30 дней, после чего её вручную или механически пересаживают на основное поле. Прямой посев риса, напротив, предполагает разброс или посев семян непосредственно в подготовленное поле без предварительного выращивания рассады.

Эти два метода дают заметно различающиеся временные характеристики в спутниковых данных: на полях с пересадкой растений наблюдается резкое, синхронное всходы примерно через три недели после затопления, в то время как на полях с прямым посевом развитие растительного покрова происходит более постепенно, начиная со дня посева. Это фенологическое различие, тонкое, но реальное, можно обнаружить с помощью тщательного анализа временных рядов индексов растительности.

Инструменты и технологии дистанционного зондирования для картирования рисовых полей.

1. Физический принцип дистанционного зондирования

Каждое растение отражает, поглощает и пропускает солнечное излучение по схемам, определяемым биохимией листьев, структурой листового покрова и содержанием воды. Зеленые листья активно поглощают красный свет для фотосинтеза, отражая при этом значительную часть энергии ближнего инфракрасного (ИК) диапазона. Затопленные почвы, напротив, поглощают почти все поступающее излучение.

Эти контрастные отклики создают предсказуемые спектральные сигнатуры, которые датчики на спутниках могут регистрировать с постоянной периодичностью, что позволяет аналитикам отслеживать состояние урожая, стадию роста и принимать решения по управлению полем, не посещая само поле.

2. Оптическое дистанционное зондирование

Оптические датчики обнаруживают отраженное солнечное излучение, создавая изображения, которые очень похожи на то, что увидел бы человеческий глаз, если бы их изображение было расширено до инфракрасного диапазона длин волн. В исследованиях по картированию рисовых полей доминируют три оптические платформы.

Ландсат Серия спутников (находящихся в эксплуатации НАСА и Геологической службы США с 1972 года) предоставляет изображения с пространственным разрешением 30 метров и 16-дневным циклом повторного облета. Длительный временной архив делает ее незаменимой для изучения изменений площади рисовых полей на протяжении десятилетий. Однако 16-дневный цикл повторного облета означает, что некоторые фенологические события в течение короткого вегетационного периода могут быть пропущены между наблюдениями.

Sentinel-2 Sentinel-2 (управляемый Европейским космическим агентством, запущенный в 2015 и 2017 годах как группировка из двух спутников) превосходит Landsat по разрешению, обеспечивая 10-20 метров и 5-дневный цикл повторного облета на экваторе. Эти два улучшения в совокупности позволяют более точно определять границы полей и лучше отбирать фенологические образцы, а в большинстве последних исследований по высокоточному картированию рисовых полей, включая те, что были опубликованы в журнале ISPRS Journal of Photogrammetry and Remote Sensing в 2024 году, Sentinel-2 используется в качестве основного источника оптических данных.

МОДИС Спектрорадиометр среднего разрешения (MODIS), установленный на спутниках NASA Terra и Aqua, обеспечивает разрешение 250-500 метров с возможностью ежедневного повторного облета. Хотя разрешение MODIS слишком низкое для картирования отдельных полей, он остается ценным инструментом для оценки интенсивности земледелия в национальном и континентальном масштабе, где высокое пространственное разрешение менее критично, чем временная плотность.

3. Радиолокационное дистанционное зондирование

Радиолокатор с синтезированной апертурой (SAR) SAR — это радиолокационная технология, которая передает микроволновые импульсы к поверхности Земли и измеряет рассеянную энергию, возвращая ее к датчику. В отличие от оптических датчиков, SAR работает независимо от облачности и солнечного освещения, а это значит, что она одинаково хорошо собирает данные как в облачную ночь в сезон дождей, так и в ясный день в сухой сезон.

Это свойство имеет критически важное значение для картирования рисовых полей в тропической Азии, где оптические датчики регулярно теряют недели вегетационного периода из-за облачности.

Sentinel-1 (ESA) передает микроволновую энергию C-диапазона (длина волны приблизительно 5,6 см) и предоставляет бесплатные глобальные данные SAR с разрешением 10 метров и циклом повторения 6-12 дней. Рисовые поля взаимодействуют с сигналами SAR особым образом:

• Затопленные поля действуют как практически идеальное зеркало, отражая большую часть радиолокационной энергии от датчика (что приводит к низким значениям обратного рассеяния), в то время как
• По мере увеличения плотности растений и площади листьев, растущий рисовый покров все больше рассеивает энергию обратно к датчику.

Эта траектория обратного рассеяния во времени, низкая во время затопления и пересадки, повышающаяся на вегетативных стадиях и снова снижающаяся после колошения, формирует радиолокационный фенологический признак, уникальный для риса.

Нгуен и др. (Дистанционное зондирование окружающей среды, 2023) обнаружили, что классификация временных рядов данных SAR со спутника Sentinel-1 позволила достичь 92,3% общая точность в ходе картирования сезонов выращивания риса в трех провинциях дельты Меконга во Вьетнаме, включая районы с тройным урожаем, где оптические данные отсутствовали более 601 тыс. тонн в течение вегетационного периода из-за облачности.

В тропических регионах, где выращивают рис, методы, основанные на радиолокационной съемке с синтезированной апертурой (SAR), являются не просто альтернативой оптическому зондированию, а зачастую единственным надежным вариантом для сезонного картирования в муссонные месяцы.

4. Интеграция данных с нескольких датчиков

Ни один отдельный датчик не обеспечивает идеального сочетания пространственной детализации, временной плотности и проникновения в облака. Поэтому наиболее точные системы картирования рисовых полей объединяют несколько типов датчиков в рамках единой аналитической системы.

В общей архитектуре используется комбинация данных Sentinel-1 SAR для временного отслеживания в безоблачную погоду и оптических данных Sentinel-2 для получения спектральной насыщенности в ясные периоды, а также MODIS в качестве опорного сигнала с низким разрешением для обнаружения фенологических закономерностей в региональном масштабе.

При алгоритмическом объединении этих потоков данных полученный набор данных позволяет определять границы посевов, устанавливать даты пересадки и присваивать классификации типов выращивания с такой степенью точности, которую не может обеспечить ни один отдельный датчик.

Выявление закономерностей севооборота риса на основе спутниковых данных

1. Временные характеристики стадий роста риса

Рис проходит четко определенную последовательность стадий роста: подготовка почвы и затопление, пересадка или посев, кущение (образование нескольких стеблей из одного растения), формирование метелки, колошение (появление соцветия, несущего зерно) и сбор урожая.

На каждом этапе происходит измеримое изменение оптических и радиолокационных характеристик поля. Аналитики используют эти специфические для каждого этапа признаки, зафиксированные в виде временных рядов спектральных индексов или обратного рассеяния SAR, для восстановления того, что происходило на каждом поле и когда, без какой-либо предварительной информации от фермера.

2. Картирование посевов риса на основе фенологических данных.

Картирование на основе фенологии Метод (использование времени биологических событий для классификации сельскохозяйственных культур) является доминирующим подходом для обнаружения риса на больших площадях. Метод работает путем аппроксимации временных рядов математическими кривыми, а затем выявления полей, где временная закономерность соответствует характерной кривой роста риса. Ключевые даты событий, извлеченные из этого процесса аппроксимации, включают в себя:

• начало вегетационного периода (обычно определяемое резким увеличением значений индекса растительности после наводнения),
• пик вегетационного периода (максимальный индекс листовой поверхности), и
• конец сезона (быстрое снижение урожайности к моменту сбора урожая).

Количество таких циклов, выявленных в течение календарного года, напрямую определяет, классифицируется ли поле как односекционное, двухсекционное или трехсекционное.

3. Оценка интенсивности земледелия

Интенсивность посевов, то есть количество сезонов выращивания сельскохозяйственных культур, завершенных за год на единицу площади земли, является одним из наиболее важных с точки зрения политики результатов картирования посевов риса. Простой, но эффективный подход заключается в вычислении количества случаев появления пика спектра или обратного рассеяния, характерного для риса, в годовом временном ряду пикселя.

В сочетании с пространственными фильтрами для удаления ложных срабатываний, вызванных водно-болотными угодьями, водоемами или сезонными наводнениями, эти данные о количестве циклов выращивания риса позволяют создавать карты одно-, двух- и трехсезонных посевов, которые можно сопоставить с полевыми исследованиями и региональной статистикой.

4. Составление карт сезонного и годового распределения риса.

Сезонные карты (одна карта на каждый вегетационный период в году) показывают не только места выращивания риса, но и время его выращивания в каждом регионе. Годовые наборы сезонных карт затем раскрывают полный календарь посевов в регионе, включая пространственное распределение раннего и позднего сортов риса, что имеет непосредственное значение для планирования водоснабжения, борьбы с вредителями и логистики сбора урожая.

5. Выявление севооборотов с использованием риса.

Во многих азиатских системах выращивания риса фермеры чередуют рис с пшеницей, овощами, бобовыми или периодами залежи на одном и том же поле в течение нескольких сезонов. Дистанционное зондирование позволяет выявлять такие севообороты путем анализа всей годовой временной последовательности, а не какого-либо отдельного сезона в отрыве от контекста.

Поле, классифицируемое как рисовое в сезон дождей, но как пшеничное в сухой сезон, демонстрирует отчетливую двухпиковую временную закономерность в данных индекса растительности, причем спектральные характеристики каждого пика определяют соответствующий тип культуры. Составление карты этих севооборотов имеет важное значение для оценки состояния почвы, моделирования потребности в орошении и программ диверсификации доходов.

Как GeoPard помогает составлять карты распределения рисовых посевов

Составление карты посевов риса требует непрерывного наблюдения из различных источников на протяжении всего вегетационного периода, и именно это обеспечивает GeoPard. Объединяя снимки Landsat-8, Sentinel-2 и Planet на единой платформе, GeoPard отслеживает поля каждые два дня с разрешением до 3 метров, гарантируя, что такие важные события, как затопление перед пересадкой, позеленение рассады и сбор урожая, не будут пропущены из-за облачности.

Благодаря интеграции данных с нескольких датчиков, платформа продемонстрировала повышение точности на 4% по сравнению с подходами, использующими данные с одного датчика, что напрямую улучшает различение между системами выращивания риса с одной, двумя и тремя культурами.

Для идентификации типов культурных особенностей набор индексов растительности GeoPard, включающий NDWI для обнаружения поверхностных паводков, EVI2 для определения сроков роста биомассы растительного покрова и LAI для определения плотности растительного покрова, позволяет получить спектральные характеристики, отличающие орошаемый рис, выращенный рассадой, от риса, выращиваемого без орошения или с прямым посевом.

В пасмурные муссонные дни, когда оптическая съемка полностью невозможна, встроенный в GeoPard слой радиолокационных данных обеспечивает непрерывное отслеживание растительности, считывая полосу обратного рассеяния SAR, которая является характерным признаком затопленного рисового поля во время пересадки рассады.

Инструмент «Сравнение слоев» позволяет агрономам размещать до четырех синхронизированных слоев данных рядом друг с другом, что упрощает различение типов выращивания риса путем сравнения сигналов NDWI о паводках с многолетними тенденциями изменения растительности и картами продуктивности почвы.

Основываясь на более чем 30-летних спутниковых снимках, платформа выявляет долгосрочные закономерности интенсивности земледелия на уровне полей. Полученные данные затем напрямую используются для создания карт дифференцированного внесения удобрений, семян и средств защиты растений, превращая карты типов выращивания риса в конкретные рекомендации по управлению посевами на уровне полей.

Картирование типов выращивания риса с помощью дистанционного зондирования

1. Спектральные характеристики различных культурных практик

Тип выращивания, то есть специфическое сочетание методов управления, применяемых на рисовом поле, определяет временную эволюцию спектральной характеристики этого поля. Например, рис, выращенный методом пересадки рассады в условиях затопления, в начале сезона имеет оптическую характеристику, преимущественно обусловленную водой (низкое отражение во всех видимых диапазонах), за которой следует резкое изменение по мере формирования листового покрова из рассады.

При прямом посеве риса в незатопленную почву наблюдается более постепенное увеличение сигнала от растительности с момента начала прорастания, без начального периода затопления, который легко обнаруживают как оптические, так и SAR-датчики.

2. Различие между рисом, выращиваемым на орошаемых и неорошаемых землях.

Рисовые поля, орошаемые и неорошаемые, различаются двумя наблюдаемыми параметрами: временем и регулярностью затоплений, а также стабильностью сезонной фенологии. На орошаемых полях затопление происходит по графику, наблюдается меньшая изменчивость сроков пересадки рассады из года в год, а плотность растительного покрова поддерживается за счет контролируемого управления водными ресурсами.

На богарных полях наблюдается большая временная изменчивость между годами, они могут испытывать водный стресс в середине сезона, проявляющийся в аномальных падениях значений индекса растительности, и иногда не могут завершить полный вегетационный период в засушливые годы.

Многолетний анализ временных рядов позволяет выявить эту структуру изменчивости, благодаря чему алгоритмы классификации могут разделять орошаемые и неорошаемые территории с точностью, обычно превышающей 851 TP3T в хорошо откалиброванных системах.

3. Картирование посевов риса, высаженного рассадой и непосредственно в грунт.

Наиболее надежным индикатором для различения риса, высаженного рассадой, от риса, посеянного непосредственно в грунт, в данных SAR является время и продолжительность начального периода затопления с низким уровнем обратного рассеяния.

Перед пересадкой рассады рисовые поля затапливают водой на 2-4 недели, что создает длительный период отсутствия радиолокационного обнаружения в начале сезона.

На полях, засеянных прямым посевом, либо отсутствует период затопления (сухой посев), либо он очень короткий (влажный посев), а рост обратного рассеяния происходит раньше относительно даты посева и имеет структурно различное направление. Эти временные характеристики можно автоматически извлечь с помощью алгоритмов, применяемых к плотным временным рядам SAR.

4. Выявление методов управления с помощью дистанционного зондирования

Помимо методов пересадки и водного режима, дистанционное зондирование позволяет выявлять определенные методы управления водными ресурсами, такие как чередование увлажнения и осушения (AWD), метод, используемый для снижения выбросов метана и потребления воды путем периодического осушения рисовых полей.

На полях с постоянным увлажнением и осушением в течение вегетационного периода наблюдаются колеблющиеся картины обратного рассеяния SAR, отражающие повторяющиеся циклы затопления и осушения, тогда как на полях с непрерывным затоплением траектория обратного рассеяния более стабильна. Эта возможность особенно ценна для мониторинга внедрения климатически устойчивых методов выращивания риса в национальных кадастрах выбросов парниковых газов.

5. Показатели управления водными ресурсами на рисовых полях

Обнаружение поверхности воды с помощью SAR обладает высокой чувствительностью и позволяет выявлять скопления воды на глубине всего нескольких сантиметров под рисовым пологом. Эта чувствительность позволяет аналитикам составлять карты затопления каждого поля в ключевые моменты вегетационного периода, что помогает принимать решения по планированию орошения и заблаговременной оценке ущерба от наводнений.

При сопоставлении карт водной поверхности за разные даты во временном интервале получается динамическая характеристика управления водными ресурсами для каждого поля, которая служит ценным исходным материалом для моделей классификации типов культурных объектов.

Методы и приемы: от индексов к глубокому обучению

1. Индексы растительности для мониторинга рисовых полей

Индексы растительности представляют собой математические комбинации значений отражательной способности на разных длинах волн, предназначенные для усиления сигнала о биомассе и состоянии растений при одновременном снижении шума, вызванного фоновым излучением почвы, атмосферными эффектами и геометрией освещения. Три индекса имеют центральное значение для картирования рисовых полей.

i. NDVI (Нормализованный разностный индекс растительности) Он рассчитывается как (ИК – Красный) / (ИК + Красный) и является наиболее широко используемым индексом в мониторинге риса. Он отслеживает степень зелени листового покрова от момента укоренения рассады до старения, при этом значения обычно возрастают от почти нулевых при пересадке до 0,6-0,8 на пике вегетативного роста.

ii. EVI (Улучшенный индекс растительности) Этот индекс более эффективно, чем NDVI, корректирует воздействие атмосферных аэрозолей и фоновый шум почвы, что делает его предпочтительным в условиях высокой концентрации аэрозолей, например, в сезоны сжигания биомассы, распространенные в тропической Азии.

iii. LSWI (Индекс поверхностных вод) Встроенная технология отражения коротковолнового инфракрасного излучения позволяет определять содержание воды как в растительном покрове, так и на поверхности почвы, что делает прибор очень чувствительным к затоплениям, характерным для выращивания риса на низменных участках, и обеспечивает надежный сигнал для определения начала вегетационного периода.

2. Анализ временных рядов

Один спутниковый снимок фиксирует состояние рисового поля в определенный момент времени, но история рисового поля пишется в последовательности этих моментов. Анализ временных рядов объединяет множество наблюдений, как правило, один снимок каждые 5-16 дней в течение всего года, и извлекает временные показатели, такие как дата начала сезона, пиковое значение NDVI, темпы вегетации и дата сбора урожая.

Эти показатели в совокупности описывают все фенологическое поведение поля и гораздо лучше подходят для идентификации типа культуры, чем любые наблюдения за отдельные даты. Статистические методы, включая гармоническую регрессию и динамическое искажение времени (DTW), обычно используются для выравнивания и сравнения данных временных рядов за разные годы и в разных регионах.

3. Машинное обучение для классификации риса

Машинное обучение кардинально изменило масштаб и точность картирования зон посева риса, автоматизировав выявление сложных нелинейных взаимосвязей между спектрально-временными данными и полевыми условиями.

i. Случайный лес (RF) Это ансамблевый метод, который строит сотни независимых деревьев решений, каждое из которых обучается на случайном подмножестве признаков, и суммирует их голоса для окончательной классификации. Он устойчив к зашумленным обучающим данным, эффективно обрабатывает многомерные пространства признаков и предоставляет оценки важности переменных, которые помогают аналитикам понять, какие временные или спектральные признаки влияют на решения о классификации.

ii. Метод опорных векторов (SVM) Метод SVM находит оптимальную разделяющую границу между классами в многомерном пространстве признаков. SVM хорошо работает при ограниченном объеме обучающих данных, что делает его полезным в регионах с дефицитом данных, где сбор эталонных данных обходится дорого.

iii. Глубокое обучение, В частности, сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN), такие как архитектуры с долговременной кратковременной памятью (LSTM), способны одновременно изучать как пространственные закономерности внутри отдельных изображений, так и временные закономерности в последовательности изображений. Классификаторы на основе LSTM, применяемые к спутниковым временным рядам, достигли передовой точности в задачах картирования рисовых полей, при этом в ряде исследований сообщается об общей точности выше 90% в региональном масштабе.

Сяо и др. (International Journal of Applied Earth Observation and Geoinformation, 2025) продемонстрировали, что модель глубокого обучения LSTM, обученная на объединенных временных рядах данных Sentinel-1 и Sentinel-2, позволила составить карту типов выращивания риса в трех странах Южной Азии. Общая точность составила 91,7%, а коэффициент Каппа — 0,89., превзойдя алгоритм Random Forest на 6,4 процентных пункта при тех же условиях обучения.

Для картирования типов выращивания риса на больших территориях, где возможен сбор обучающих данных, классификаторы глубокого обучения на основе LSTM в настоящее время являются эталонным методом и должны быть выбором по умолчанию для новых национальных программ картирования.

4. Объектно-ориентированный анализ изображений (OBIA)

Объектно-ориентированный анализ изображений (OBIA) Этот метод работает путем группировки соседних пикселей со схожими спектральными и пространственными характеристиками в объекты (сегменты) перед их классификацией, а не путем классификации каждого пикселя по отдельности.

В картировании рисовых полей объектно-ориентированный анализ изображений (OBIA) ценен тем, что позволяет учитывать форму, текстуру и контекст при классификации, отличая рисовое поле от водоема аналогичного цвета на основе правильной прямоугольной геометрии поля.

Объектно-ориентированный анализ изображений (OBIA) особенно эффективен при очень высоком пространственном разрешении, например, при обработке данных с коммерческих спутников с разрешением 1-5 метров или изображений, полученных с беспилотных летательных аппаратов.

5. Методы обнаружения изменений

Выявление изменений позволяет определить области, где землепользование изменилось между двумя или более датами. В мониторинге рисоводческих систем выявление изменений служит двум целям: отслеживанию ежегодного расширения или сокращения площади рисовых полей в ответ на климатические или экономические факторы, а также выявлению изменений в середине сезона, таких как неурожай, прекращение выращивания или неожиданное наводнение.

Обнаружение изменений в двух временных интервалах (прямое сравнение двух дат) — простой, но уязвимый метод, учитывающий фенологические различия между годами. Обнаружение изменений в нескольких временных интервалах по всем годовым массивам данных является более надежным и позволяет отделить реальные изменения землепользования от сезонных фенологических колебаний.

Оценка точности и валидация

1. Сбор эталонных данных.

Каждый продукт для картирования рисовых полей требует проверки на основе независимо собранных полевых наблюдений. Данные наземной проверки обычно включают полевые визиты с привязкой к GPS, в ходе которых обученные специалисты регистрируют тип культуры, стадию роста, состояние водоснабжения и метод закладки на статистически репрезентативной выборке мест. Эти наблюдения собираются одновременно со спутниковыми снимками, они не используются для обучения модели и применяются исключительно для оценки точности.

2. Показатели точности классификации

В приложениях, специфичных для рисоводства, показатель F1, который уравновешивает точность производителя и пользователя для каждого класса, все чаще используется наряду с коэффициентом Каппа в качестве более информативного сводного показателя эффективности. Стандартные метрики для оценки точности карт включают в себя:

• Общая точность (процент всех правильно классифицированных точек проверки),
• Точность производителя (вероятность того, что поле данного истинного класса будет правильно сопоставлено, аналогично полноте).,
• точность пользователя (вероятность того, что поле, сопоставленное с данным классом, действительно относится к этому классу, аналогично точности позиционирования), и
• Коэффициент Каппа (мера согласия, скорректированная с учетом случайного совпадения, где значения выше 0,80 указывают на сильное согласие).

3. Проверка достоверности карт севооборота и типов земледелия.

Для проверки достоверности карт севооборота необходимы данные полевых наблюдений за разные периоды времени, полученные в ходе полевых исследований в течение всего сельскохозяйственного календаря, чтобы подтвердить, сколько сезонов фактически было собрано урожая в год на каждом участке проверки.

Проверка культурных особенностей, позволяющая отличить рассаду от прямого посева или орошаемое земледелие от богарного, является более сложной задачей, поскольку эти различия не всегда очевидны визуально в полевых условиях и требуют опроса фермеров или непосредственного наблюдения за мероприятиями по уходу за посевами в чувствительные периоды вегетационного периода.

Национальная сельскохозяйственная статистика, хотя и часто агрегируется на уровне провинций или районов, обеспечивает дополнительный уровень проверки оценок площади, позволяя сопоставлять данные на картах с официальными отчетами.

Применение в сельскохозяйственной системе

1. Планирование и разработка сельскохозяйственной политики

Карты распределения рисовых культур, полученные с помощью дистанционного зондирования, предоставляют министерствам сельского хозяйства необходимое пространственное разрешение для разработки целенаправленных мер. Регионы, отнесенные к категории монокультурного богарного земледелия, могут быть приоритетными для развития мелкомасштабного орошения; районы с тройным урожаем и снижением урожайности могут быть исследованы на предмет деградации почвы или истощения запасов грунтовых вод.

2. Оценка производства риса

Сочетание карт площадей рисовых полей, полученных с помощью дистанционного зондирования, с моделями оценки урожайности, такими как моделирование роста культур на основе метеорологических данных, позволяет получать прогнозы производства на субнациональном и национальном уровнях за недели или месяцы до сбора урожая.

Информационная панель по продовольственной безопасности Азиатского банка развития и Глобальная информационная система раннего предупреждения ФАО (GIEWS) используют данные о площади рисовых полей, полученные со спутников, для составления прогнозов производства до сбора урожая, демонстрируя при этом значительное повышение точности по сравнению с подходами, основанными на обследованиях.

3. Управление водными ресурсами

Орошаемое рисоводство является крупнейшим потребителем пресной воды в Азии, на его долю приходится примерно 401 тыс. тонн общего объема водозабора для сельского хозяйства в таких странах, как Индия и Бангладеш.

Наиболее ценным результатом спутникового картирования рисовых полей является не сама карта, а решение, которое она позволяет принять: построить ли канал, закрыть колодец или перенаправить субсидию.

Точное знание того, где выращивается орошаемый рис, сколько сезонов он орошается и на каких полях применяются эффективные методы управления водными ресурсами, такие как чередование периодов орошения и полива, напрямую способствует планированию речных бассейнов, составлению графиков эксплуатации водохранилищ и оценке устойчивости использования подземных вод.

4. Мониторинг продовольственной безопасности

Системы раннего предупреждения о продовольственной нестабильности зависят от быстрого обнаружения неурожаев. Когда рисоводческие районы не могут завершить полный вегетационный цикл, спутниковый мониторинг выявляет аномалию как отсутствие или укороченный фенологический пик в ожидаемом сезонном периоде. Сеть систем раннего предупреждения о голоде (FEWS NET), поддерживаемая USAID, использует спутниковые данные о растительности, включая мониторинг рисоводческих районов, для генерации предупреждений о продовольственной безопасности в Азии и Африке.

5. Оценка воздействия изменения климата

Долгосрочные архивы карт распределения посевов риса, охватывающие 20 и более лет данных Landsat, показывают, как площади, сезоны и урожайность рисоводства менялись в ответ на изменение температурного и осадочного режимов. Эти исторические карты тенденций предоставляют эмпирические доказательства воздействия изменения климата на рисоводческие системы и служат исходными данными для прогнозирования будущих сельскохозяйственных рисков при различных сценариях потепления.

7. Применение методов точного земледелия

На уровне фермерского хозяйства картирование типов выращивания риса с помощью БПЛА в сочетании с данными о почве и воде на уровне поля поддерживает принятие решений в области точного управления, таких как внесение удобрений с переменной нормой, мониторинг вредителей на конкретном участке и оптимизация сроков посадки. В настоящее время эти приложения быстро развиваются в Японии, Южной Корее и некоторых частях Китая, где рисоводство в значительной степени механизировано и имеется инфраструктура данных, позволяющая связывать результаты дистанционного зондирования с системами управления фермерским хозяйством.

Проблемы и ограничения, препятствующие картированию рисовых полей.

1. Облачность и доступность данных

Постоянная облачность в сезон муссонов, когда выращивается большая часть риса в Азии, серьезно ограничивает количество пригодных для использования оптических наблюдений. В некоторых местах загрязнение облачностью сокращает количество доступных наблюдений Sentinel-2 в критически важный период пересадки рассады и ранней вегетации до менее чем двух в месяц. Данные SAR смягчают, но не устраняют эту проблему, поскольку сильные дожди могут временно насытить радиолокационный сигнал.

2. Смешанные пиксели и малые размеры поля.

В регионах, где рисовые поля меньше пространственного разрешения датчика, один пиксель фиксирует смесь рисовых и нерисовых участков, что делает классификацию неоднозначной. В горных рисоводческих системах и на небольших рисовых полях в некоторых районах Индонезии и Филиппин часто встречаются смешанные пиксели даже при разрешении Sentinel-2 в 10 метров, что ограничивает использование пиксельных методов в этих условиях.

3. Спектральное и временное сходство между различными типами сельскохозяйственных культур.

Некоторые культуры, особенно сахарный тростник, джут и некоторые виды луговых культур, демонстрируют фенологические кривые, схожие с рисом, в рядах NDVI или EVI, что приводит к путанице в классификации. Обнаружение затопления с помощью SAR уменьшает эту путаницу для рисовых полей на низменностях, но рисовые системы на возвышенностях без затопленных полей по-прежнему трудно отличить от спектрально схожих культур без дополнительных полевых данных или вспомогательных географических данных.

4. Ограничения временного разрешения

Для составления карты распределения рисовых культур и типов выращивания с использованием дистанционного зондирования требуется плотная временная выборка, в идеале — не менее одного наблюдения каждые 8-10 дней в течение всего вегетационного периода. Когда облачность или разрывы в орбитах спутников снижают эту временную плотность, скороспелые сорта риса или быстро меняющиеся сезоны с тремя культурами могут быть полностью пропущены автоматическими алгоритмами обнаружения.

5. Ограничения наземных данных

Высококачественные размеченные обучающие данные, полевые наблюдения, сопоставленные с известными типами культур и методами ведения сельского хозяйства, по-прежнему дороги и логистически сложны для сбора в масштабах, необходимых для обучения и проверки национальных картографических систем. Во многих странах с низким уровнем дохода, занимающихся выращиванием риса, человеческие и финансовые ресурсы для систематического сбора наземных данных являются самым большим препятствием для повышения точности картографирования.

Новые тенденции и будущее мониторинга рисоводства

1. Мониторинг рисовых полей с помощью беспилотных летательных аппаратов и дронов.

Беспилотные летательные аппараты (БПЛА), оснащенные мультиспектральными и тепловыми датчиками, теперь позволяют получать изображения с сантиметровым разрешением над отдельными фермами, определяя границы полей, ряды посевов и даже состояние здоровья отдельных растений. БПЛА выступают в качестве связующего звена между спутниковым картографированием и наблюдением за отдельными растениями, предоставляя сверхвысокоточные данные наземной проверки, необходимые для обучения и проверки спутниковых моделей в условиях фрагментированного ландшафта.

2. Искусственный интеллект и глубокое обучение для классификации риса

Применение сверточных нейронных сетей к временным рядам спутниковых изображений в сочетании с архитектурами трансформеров, адаптированными из обработки естественного языка, в настоящее время позволяет достичь самых высоких показателей точности классификации риса из когда-либо зарегистрированных.

Разработанная исследователями из Вагенингенского университета в 2024 году система PRISM (Phenology-based Rice crop Identification System using Multisource data) продемонстрировала, что самообучение на немаркированных спутниковых архивах может предварительно обучать модели классификации риса, требующие лишь минимального количества маркированных наземных данных для точной настройки, что значительно снижает нагрузку на полевые исследования.

3. Системы мониторинга риса в режиме, близком к реальному времени.

Оперативные системы мониторинга рисоводства в режиме, близком к реальному времени, автоматически обрабатывают поступающие спутниковые данные, обновляют карты рисовых полей с интервалом в 10-16 дней и отправляют оповещения о датах посадки, случаях нехватки воды и сроках сбора урожая непосредственно на правительственные информационные панели или в мобильные приложения, используемые фермерами и специалистами по распространению сельскохозяйственных знаний.

Департамент рисоводства Таиланда и Министерство сельского хозяйства Вьетнама эксплуатируют прототипы подобных систем, а Международный научно-исследовательский институт риса поддерживает разработку аналогичных возможностей в Бангладеш и Камбодже.

4. Интеграция спутниковых данных и данных Интернета вещей.

Датчики Интернета вещей (IoT), развернутые на рисовых полях и измеряющие влажность почвы, уровень воды, температуру и микроклимат растительного покрова, генерируют непрерывные наземные наблюдения, которые дополняют и калибруют данные дистанционного зондирования со спутников.

Когда сети датчиков IoT и спутниковые наблюдения объединяются в рамках систем слияния данных, полученная система мониторинга может с большей уверенностью и на более ранних этапах выявлять дефицит воды, начало наводнений и распространение болезней, чем любой из этих источников по отдельности.

5. Цифровое сельское хозяйство и интеллектуальное земледелие

Сочетание спутникового картирования рисовых полей, датчиков Интернета вещей и систем поддержки принятия решений на основе искусственного интеллекта закладывает основы интеллектуального рисоводства, где управленческие решения, от сроков полива до внесения удобрений, принимаются на основе пространственно детализированных потоков данных в режиме, близком к реальному времени, а не на основе эмпирических правил, привязанных к календарю.

Пилотные программы в японской префектуре Ниигата и китайской провинции Хэйлунцзян продемонстрировали, что точное управление рисоводством с использованием данных дистанционного зондирования может снизить затраты на ресурсы на 15-25% при сохранении или повышении урожайности, согласно предварительным отчетам о полевых испытаниях 2024 года.

Заключение

Картирование рисоводческих зон и типов выращивания риса с использованием дистанционного зондирования превратилось из академической исследовательской дисциплины в оперативный инструмент, используемый правительствами, международными агентствами и агротехнологическими платформами в Азии и за ее пределами. Многосенсорные подходы к анализу временных рядов, сочетающие оптические и радиолокационные данные, обработанные с помощью машинного обучения и классификаторов глубокого обучения, теперь позволяют регулярно получать карты рисоводческих площадей в национальном масштабе с общей точностью, превышающей 85-901 Тп3Т. Эти карты показывают не только, где растет рис, но и сколько раз в год, при каком водном режиме и каким методом выращивания.

Переход от простого картирования рисовых полей к классификации типов землепользования превращает данные о земельном покрове в ценный ресурс сельскохозяйственной информации. Знание того, что регион перешел от пересадки рассады к прямому посеву риса за последнее десятилетие, одновременно сигнализирует об изменениях на рынке труда и истощении запасов грунтовых вод. Определение наиболее уязвимых к засухам в начале сезона районов, зависящих от дождей, на основе анализа их временных спектральных характеристик позволяет заблаговременно реагировать на засуху, а не реагировать на стихийные бедствия. Дистанционное зондирование делает такой уровень пространственной информации возможным при значительно меньших затратах по сравнению с аналогичными программами наземных исследований.

Картофель является одной из важнейших продовольственных культур в мире, обеспечивая продуктами питания миллионы людей. Во-первых, знание особенностей роста картофельных растений и умение прогнозировать урожайность помогают фермерам более эффективно управлять орошением, внесением удобрений и борьбой с вредителями.

Во-вторых, предприятия пищевой промышленности и складские комплексы могут лучше планировать логистику и трудозатраты, имея надежные оценки урожайности. Однако традиционные методы, такие как физический обход полей и измерение растений вручную, отнимают много времени и подвержены человеческим ошибкам.

Поэтому ученые обратились к дистанционному зондированию, которое использует камеры и датчики на спутниках, дронах или портативных устройствах для более быстрого и точного мониторинга роста картофеля и прогнозирования урожайности.

Понимание прогнозов урожайности картофеля

За последние два десятилетия интерес к применению дистанционного зондирования в исследованиях картофеля значительно возрос. В частности, систематический обзор выявил 79 исследований, опубликованных в период с 2000 по 2022 год, из 482 первоначально проанализированных статей.

Для обеспечения прозрачности и воспроизводимости авторы следовали установленным рекомендациям (Kitchenham & Charters 2007; структура PRISMA), осуществляя поиск в восьми основных базах данных — Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis и SpringerLink — используя такие термины, как “прогнозирование урожайности картофеля” И “дистанционное зондирование”.”

Следовательно, в исследование были включены только оригинальные исследования на английском языке, в которых использовались данные дистанционного зондирования для мониторинга роста или оценки урожайности. Кроме того, данные из каждой отобранной статьи были извлечены в соответствии с четырьмя ключевыми вопросами:

• Какая сенсорная платформа использовалась (спутник, БПЛА или наземная)?
• Какие индексы растительности или спектральные характеристики были оценены?
• Какие характеристики культуры отслеживались (биомасса, площадь листьев, содержание хлорофилла, содержание азота)?
• Насколько точно можно предсказать конечный урожай клубней (коэффициент детерминации, R²)?

Эти вопросы помогли рецензентам составить карту современного состояния дел и выявить пробелы, на которых могли бы сосредоточиться будущие исследования.

Платформы дистанционного зондирования и индексы растительности

Исследователи использовали три основных типа платформ дистанционного зондирования, каждая из которых имеет свои преимущества и ограничения. Во-первых, оптические спутники, такие как Sentinel-2 (пространственное разрешение 10 м, период наблюдения 5 дней) и Landsat 5-8 (30 м, период наблюдения 16 дней), обеспечивают широкое покрытие и часто бесплатный доступ к данным.

Во-вторых, спутники, такие как MODIS/TERRA/Aqua (250–1000 м, с периодичностью от 1 дня до 2 дней), и коммерческие системы, такие как PlanetScope (3 м, ежедневный, стоимостью около 1 00 км²), позволяют проводить мониторинг чаще или с более высоким разрешением, хотя стоимость может быть важным фактором.

В-третьих, беспилотные летательные аппараты (БПЛА), оснащенные мультиспектральными или гиперспектральными камерами, обеспечивают очень высокое разрешение (до нескольких сантиметров на пиксель) и могут запускаться по запросу, но они охватывают меньшие территории и требуют более сложной логистики.

Наконец, наземные датчики, такие как портативные измерители NDVI и хлорофиллометры SPAD, обеспечивают точечные измерения с высокой точностью, хотя их использование на больших территориях требует значительных временных затрат.

Индексы растительности (ВИ) преобразуют исходные значения отражательной способности в значимые оценки характеристик растений. Наиболее распространенные индексы в исследованиях картофеля включают:

• NDVI (Нормализованный разностный индекс растительности): (ИК-излучение – Красный) / (ИК-излучение + Красный)
• GNDVI (зеленый NDVI): (NIR – зеленый) / (NIR + зеленый)
• NDRE (Нормализованная разница красного края): (NIR – RedEdge) / (NIR + RedEdge)
• OSAVI (Оптимизированный индекс растительности с поправкой на почву): 1,16 × (ИК – Красный) / (ИК + Красный + 0,16)
• EVI (Enhanced Vegetation Index), CIred-edge, CIgreen и другие. .

Эти индексы выбираются на основе их чувствительности к плотности растительного покрова, содержанию хлорофилла и составу почвы. Следовательно, они служат основой для оценки состояния растений и прогнозирования урожайности.

Мониторинг роста картофеля и прогнозирование урожайности

С помощью дистанционного зондирования исследователи отслеживают ключевые характеристики картофеля — надземную биомассу (AGB), индекс листовой поверхности (LAI), содержание хлорофилла в кроне (CCC) и азотный статус листьев — а затем соотносят эти показатели с конечным урожаем клубней.

Во-первых, оценка надземной биомассы с использованием только вегетационных индексов может быть сложной задачей при высокой плотности растительного покрова, поскольку многие индексы достигают насыщения; поэтому сочетание вегетационных индексов с высотой растений или текстурными характеристиками в моделях машинного обучения часто повышает точность.

Во-вторых, при оценке LAI — общей односторонней площади листьев на единицу площади поверхности земли — были достигнуты значения R² до 0,84 при использовании данных временных рядов, полученных как с помощью гиперспектральных датчиков БПЛА, так и с помощью многоспектральных спутниковых датчиков.

В-третьих, оценки CCC, полученные на основе таких индексов, как CIred-edge, CIgreen, TCARI/OSAVI и TCARI + OSAVI, достигли R² ≈ 0,85 на вегетативной стадии, что указывает на сильную корреляцию с измеренным в лаборатории содержанием хлорофилла.

Наконец, состояние азотистого состава листьев, жизненно важное для здорового роста, было спрогнозировано с коэффициентом детерминации R² от 0,52 до 0,95 при использовании наземных датчиков в сочетании с регрессионными моделями или моделями случайного леса.

Что касается прогнозирования урожайности клубней, то здесь выделяются два основных подхода к моделированию:

Эмпирические регрессионные модели: В данном случае к данным об урожайности, полученным на основе фактических данных, подгоняется один индекс урожайности — чаще всего NDVI, GNDVI или NDRE. Сообщаемые значения R² для NDVI в зависимости от урожайности варьируются от 0,23 до 0,84 (медиана ≈ 0,67), в то время как корреляции NDRE с урожайностью варьируются от 0,12 до 0,85 (медиана ≈ 0,61).

Модели машинного обучения: к ним относятся случайный лес, машины опорных векторов и нейронные сети, которые объединяют несколько вегетационных индексов, спектральных диапазонов и неспектральных факторов, таких как погода, почва и методы управления. В некоторых исследованиях такие модели позволили повысить коэффициент детерминации R² до 0,93.

Кроме того, время сбора данных существенно влияет на точность прогнозирования. В нескольких исследованиях измерения индекса вибрационной чувствительности (VI), проведенные через 36–55 дней после посадки (DAP), показали наибольшую корреляцию с конечным урожаем клубней.

Эта стадия совпадает с максимальным почвенным покровом и началом формирования клубней, что делает структуру растения наиболее показательной для прогнозируемого урожая. Вот некоторые из ключевых статистических данных:

• Из 482 выявленных исследований критериям обзора соответствовали 79 работ (2000–2022 гг.).
• Основные направления исследований: прогнозирование урожайности (37 %), содержание азота в листьях (21 %), надземная биомасса (15 %), индекс листовой поверхности (15 %), CCC (12 %).
• Наиболее часто используемые спутниковые платформы: Sentinel-2, Landsat, MODIS; коммерческая: PlanetScope.
• Диапазоны R²: NDVI–урожайность (0,23–0,84), NDRE–урожайность (0,12–0,85), GNDVI–урожайность (0,26–0,75).

Рекомендации по прогнозированию урожайности картофеля

Исходя из этих данных, специалистам следует сначала выбрать подходящую платформу для достижения своих целей. Для региональных прогнозов урожайности бесплатные данные Sentinel-2 обеспечивают надежное покрытие с разрешением 10 м и графиком повторных облетов каждые 5 дней.

Для уточнения локальных оценок полеты БПЛА, запланированные примерно через 36–55 дней после посадки, позволяют зафиксировать важнейшие динамические процессы в растительном покрове и улучшить калибровку спутниковых моделей. Наземные датчики лучше всего использовать для выборочных проверок и калибровки дистанционных наблюдений, особенно при сочетании спектральных данных с полевыми измерениями.

Что касается вегетационных индексов, специалистам следует отдавать приоритет индексам NDVI, NDRE и CI _red-edge для прогнозирования конечного урожая, поскольку они неизменно демонстрируют сильную корреляцию.

При оценке содержания хлорофилла и азота наиболее точные результаты достигаются путем сочетания индексов красного края спектра с почвенно-скорректированными вегетационными индексами (например, TCARI/OSAVI). Для оценки биомассы интеграция вегетационных индексов с характеристиками высоты или текстуры растений в рамках машинного обучения дополнительно повышает точность.

Что касается моделирования, то простые линейные или нелинейные регрессии с использованием одного индекса эффективны при ограниченном объеме данных на местности. Однако, когда доступны несколько индексов и вспомогательные данные (погода, почва, методы управления), методы машинного обучения, такие как случайный лес или нейронные сети, демонстрируют превосходные результаты. Важно отметить, что получение изображений примерно через 36–55 дней после посадки имеет решающее значение, поскольку этот временной промежуток неизменно обеспечивает наивысшую точность прогнозирования.

Заключение

В заключение, дистанционное зондирование предлагает быстрый, гибкий и точный инструментарий для мониторинга роста картофеля и прогнозирования урожайности клубней. Выбирая подходящую платформу, наиболее информативные вегетационные индексы, планируя сбор данных на 36–55 день после посадки и применяя соответствующие методы моделирования, исследователи и практики могут значительно улучшить прогнозы урожайности.

Такой подход не только экономит время, но и способствует принятию более взвешенных управленческих решений, что в конечном итоге приносит пользу фермерам, агрономам и всей цепочке поставок картофеля.

Ссылка: Мукииби, А., Машакайре, АТБ, Франке, АС. и др. Систематический обзор индексов растительности для мониторинга роста картофеля и прогнозирования урожайности клубней на основе данных дистанционного зондирования. Картофельные рез. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7