gh Вид на урожай – взгляд из космоса

Ученые из Института космических исследований РАН (ИКИ РАН) разработали систему, которая позволяет оценивать состояние сельскохозяйственных культур и их урожайность, фактически основываясь на опыте предыдущих лет. В основе системы – анализ данных, полученных с помощью радиометров MODIS, расположенных на спутниках TERRA и AQUA. Сопоставив эти данные со сведениями о погоде и уже собранных в данном регионе урожаях той или иной культуры в прошлом, можно, как показывают авторы, с высокой степенью вероятности прогнозировать ее урожайность будущем – во всяком случае, в текущем году.

На самом деле методологически система далеко не нова. Потому что в некотором смысле это прогноз, выполненный по «по аналогии». В прошлом так накапливался опыт поколений, частично сохранившийся в виде народных примет, предсказывающих урожай. Конечно, они далеко не всегда «работают». Но теперь у людей принципиально больше возможностей как для формирования баз данных, так и для их анализа. Так что и прогностические возможности различных методик, в том числе и разработанной сотрудниками ИКИ РАН, весьма высоки. Так, например, прогнозируемый по зерновым культурам урожай для Ростовской области совпал с урожаем полученным с точностью порядка 90%. Как же работает новая методика?

В очень упрощенном изложении суть ее в следующем. Радиометры MODIS, получая изображение земной поверхности в красном и ближнем инфракрасном диапазонах, позволяют с помощью специальных программ вычислить так называемый индекс растительности для интересующей территории, причем с достаточно высоким разрешением. Этот индекс растительности (NDVI - Normalized Difference Vegetation Index) позволяет определить количество фотосинтетически активной биомассы, проще говоря – насколько растительность зеленая. Потому что в основе этого показателя – соотношение между отражением зеленого хлорофилла (чем его больше, тем меньше отражение в красной области спектра) и отражением в ближней ИК-области (это область максимального отражения клеточных структур листа). Это один из самых распространенных показателей количественной оценки растительного покрова, и в принципе общедоступный – с задержкой в несколько дней эти сведения появляются на сайте НАСА. Вернее, свободно распространяются Центром LP DAAC (Land Processes Distributed Active Archive Center), входящим в состав USGS (U.S. Geological Survey). Именно сравнение NDVI для одной и той же территории на протяжении длительного времени и стало одним из «краеугольных камней» системы, предложенной сотрудниками ИКИ РАН.

Однако просто иметь эти данные недостаточно. Нужно было разработать программу, которая позволяла бы в автоматическом режиме получать эти данные, обрабатывать их и «закладывать на хранение» – создавать соответствующие архивы данных. Причем так, чтобы затем можно было бы достаточно эффективно и удобно этими данными пользоваться. Кроме того, необходимо было дополнить сведения об изменении в течении года индекса растительности другими: гидрометеорологическими сведениями и, разумеется, данными об урожайности отдельных культур по годам и районам. То есть нужно было создать и свести воедино несколько баз совершенно разнородных данных – спутникового мониторинга, статистики урожайности и так далее. Кстати, нужно ведь еще научиться делать поправку на облачность, которая неминуемо вносит коррективы в полученные радиометром данные, и «сшивать» кадры космических снимков, если искомая территория полностью не попадает в один кадр. И все это ученые научились делать, создав блок системы мониторинга сельскохозяйственных земель.

В результате «на выходе» можно получить графики, из которых становится ясно, как в течение года на данной территории изменялись индекс растительности, температура, влажность и облачность, и сколько было собрано в этой местности той или иной культуры. Между прочим, индексы растительности представлены по отдельности для пахотных земель, для леса (хвойного, лиственного, смешанного) и для площади, не занятой ни пашнями, ни лесом (например, лугами). Дальше остается выбрать, на какой из прошедших годов больше всего (по этим параметрам и их изменению) похож год текущий – и оценить по аналогии виды на урожай в этом году. Причем по ходу дела можно менять «год-аналог», и соответственно корректировать прогноз.

Надо сказать, что разработчики проверили, как работает их система на примере разных регионов и разных культур. Оказалось, что лучше всего прогноз оправдывается для больших площадей, и особенно хорошо – для зерновых культур. Если же площадь, занятая культурой, невелика (это особенно часто встречается для небольших регионов), то ошибки оценки урожайности весьма значительны. Хотя, как справедливо полагают авторы, ошибки прогноза могут быть связаны не столько с неточностями методики, сколько с неточностью статистических данных. Сейчас авторы работают над тем, чтобы как можно больше операций система проводила самостоятельно – в автоматическом режиме, а также над тем, чтобы система позволяла распознавать большее количество сельскохозяйственных культур.

***