Геоинформационная система мониторинга земель
Полезная модель относится к вычислительной технике и может быть использована для обработки информации для рационального природопользования, а также в области экологии и применяться при проведении мониторинга состояния плодородия почв.
Технический результат достигается тем, что геоинформационная система, включающая блок ввода данных с модулем их корректировки (БВД), блок накопления и хранения данных (БНХД), блок обработки данных (БОД), блок формирования решения (БФР), блок воспроизведения информации (БВИ). БНХД включает два модуля - модуль хранения растровой информации (МХР), включающий подмодули хранения космоснимков и растровых карт, и модуль хранения векторной информации (МХВ), включающий подмодули накопления векторных карт, статистических показателей, атрибутивных данных. Подмодуль атрибутивных данных включает сведения о плодородии почв, а именно: содержание гумуса, севооборота, структуры посевных площадей. БОД содержит модуль обработки космоснимков (МОКС), модуль обработки картографической информации (МОКИ) и модуль вычисления статистических показателей (МРСП). БФР состоит из модуля синтеза показателя (МСП) и модуля присвоения индекса U (МПИ). Связи между блоками, модулями и подмодулями обеспечивают получение оперативной информации по экологическому состоянию земельных участков, что позволяет принимать оперативно административно-управленческие решения в части использования и охраны земель. 1 нез. п. ф-лы, 6 илл.
Полезная модель относится к вычислительной технике и может быть использована для обработки информации для рационального природопользования, а также в области экологии и применяться при проведении мониторинга состояния плодородия почв.
Развитие космических технологий мониторинга в последние годы существенно расширило возможности оперативного слежения за состоянием земель и посевов сельскохозяйственных культур. Спутниковый мониторинг земель сельскохозяйственного назначения, кроме задач картографирования и инвентаризации угодий, нацелен на разноуровневый (от регионов до отдельных полей) контроль всхожести посевов и их текущего состояния, темпов уборки урожая различных культур, а также прогнозирование их урожайности.
Полноценный мониторинг состояния сельскохозяйственных культур, оценки урожайности и сроков сбора для достижения практически значимых результатов требует сбора большого объема данных для построения моделей биопродуктивности. Это достаточно сложный и дорогостоящий процесс, поскольку значения исходных параметров контроля изменяются не только в пространстве, но и во времени. Поэтому актуальным является вопрос применения данных дистанционного зондирования для мониторинга состояния сельскохозяйственных культур во времени и применение этих данных в качестве дополнительных характеристик в имитационной модели биопродуктивности. Использование данных дистанционного зондирования позволяет повысить точность измерения биометрических показателей и дает возможность провести интерполирование значений этих показателей на территории, не охваченной наземными измерениями.
Известно использование EPIC, которая является непрерывной имитационной моделью, по средством которой вычисляют основные параметры сельскохозяйственной культуры (биомассу, листовой индекс, высоту растения и вес корневой системы) на каждый день, позволяет сравнивать их с данными наземных измерений и дистанционного зондирования и в случае необходимости вносить корректировки в процесс моделирования (патент РФ 
2379879 МПК A01G 7/00 (2006.01)).
В стандартных системах оперируют набором разрозненных показателей, которые в свою очередь не отражают наглядной картины локальной ситуации. При использовании такой методологии проблематично оценить в полной мере тот или иной параметр, в том числе и неоднородность распределения растительности, оперируя усредненными величинами.
Еще одним недостатком такого рода систем является трудоемкость и дороговизна. Это происходит по причине того что, требуется собрать большой объем разнородных данных, обобщить их и автоматизировать систему обработки и хранения.
В государственной информационной системе мониторинга земель Краснодарского края сельскохозяйственного назначения учитывается более 152 тысяч земельных контуров (полей) общей площадью 3869689 га. (Козубенко И.С., Болсуновский М.А. Государственная информационная система мониторинга земель сельскохозяйственного назначения Краснодарского края // Геоматика. 2011, 2 (60). - С.56-61.). В рамках государственной информационной системы в каждом муниципальном образовании Краснодарского края установлена распределенная база данных с возможностью самостоятельной работы по мониторингу земель сельскохозяйственного назначения. Государственная информационная система содержит данные дистанционного зондирования Земли (ДЗЗ), полученные с космических аппаратов высокого и сверхвысокого разрешения (WorldView-1,2, RapidEye и др.). Космические снимки после обработки и анализа в программном комплексе ENVI содержатся в геоинформационной системе (ГИС), которая включает последовательно соединенные блок ввода данных, блок накопления и хранения данных, блок обработки данных, блок формирования решения по расчету местоположения, блок воспроизведения информации. Система включает множество модулей измерения атрибутивных данных каждого типа о севообороте, структуре посевных площадей, плановой и фактической урожайности в разрезе каждого поля и хозяйствующего субъекта, о состоянии плодородия почв, включая показатели, характеризующие: морфогенетические свойства почв, их гранулометрический состав, кислотность, содержание гумуса, макро- и микроэлементов, тяжелых металлов и радионуклидов, степени эродированности (дефлированности), переувлажнения, заболачивания, засоления, опустынивания, каменистости, а также характеристики произрастающей на них растительности по геоботаническому составу, урожайности сельскохозяйственных культур, установленной при проведении наземных обследований.
Полученные данные постепенно накапливаться в ГИС, что позволило получить числовой ряд распределения по площадным характеристикам. Основная площадь земель сельскохозяйственного назначения - это поля от 50 до 150 га. За несколько лет наблюдений можно сформировать историю полей каждого хозяйства. Это даст возможность оценки соблюдения севооборота землепользователями, осуществлять мониторинг состояния плодородия почв.
Собранные путем мониторинга земель сельскохозяйственного назначения материалы служат основанием для принятия необходимых управленческих решений в части использования и охраны площадей, а также обеспечения экологической безопасности населения. Многоуровневое использование геоинформационной системы поможет повысить эффективность деятельности государственных органов, осуществляющих контроль за использованием земель, и обеспечить баланс социально-экономического развития.
Однако данная система является ресурсоемкой и обладает большим набором разнородных показателей, которые не всегда позволяют принять правильное и оперативное административное решение.
Техническим результатом предлагаемой полезной модели является повышение точности и оперативности определения неравномерности распределения посевов на исследуемой территории.
Технический результат достигается тем, что геоинформационная система, включающая блок ввода данных с модулем их корректировки (БВД), блок накопления и хранения данных (БНХД), блок обработки данных (БОД), блок формирования решения (БФР), блок воспроизведения информации (БВИ). БНХД включает два модуля - модуль хранения растровой информации (МХР), включающий подмодули хранения космоснимков и растровых карт, и модуль хранения векторной информации (МХВ), включающий подмодули накопления векторных карт, статистических показателей, атрибутивных данных. Подмодуль атрибутивных данных включает сведения о плодородии почв, а именно: содержание гумуса, севооборота, структуры посевных площадей. БОД содержит модуль обработки космоснимков (МОКС), модуль обработки картографической информации (МОКИ) и модуль вычисления статистических показателей (МРСП). БФР состоит из модуля синтеза показателя (МСП) и модуля присвоения индекса U (МПИ).
Выход БВД соединен со входом БНХД, через вход-выход БНХД связан с БВИ и МХВ, а через другой вход- выход - связь БВИ с МХР. Связь БНХД с БОД осуществляется посредством входа-выхода БНХД. В БОД МОКС связан с МОКИ своим выходом, который в свою очередь соединен с МРСП, один из выходов которого связан с подмодулем накопления статистических показателей, а второй выход с МПИ БФР. Подмодуль хранения космоснимков через вход соединен с МХР, а через выход с МОКС. Подмодуль растровых карт через вход соединен с одним из выходов БВИ, а через выход со входом МХР. Выходы подмодулей векторных карт и атрибутивных данных соединены со входами МОКИ модуля БОД, а их входы - с выходами МХВ. БОД через выход МРСП соединен со входом БФР и одним из входов модуля МПИ. Со вторым входом МПИ связан выход МСП, а выход МПИ - с входом БВИ.
На фиг.1 приведена схема геоинформационной системы мониторинга земель; на фиг.2 дан пример распределения среднего значения NDVI на полях озимой пшеницы. На фиг.3 - распределение значений выборки NDVI, на фиг.3а) - при А<0 и Е>0, на фиг.3б) - А<0 и Е<0, на фиг.3в) - А>0 и Е>0, на фиг.3г) - А>0 и Е<0, на фиг.3д) - близкое к нормальному закону при Е~0 и А~0. на фиг.4 - пример классификации полей озимой пшеницы по показателю равномерности распределения фитомассы на дату спутниковой съемки; на фиг 5 - сравнение результатов спутникового снимка (где Iа и IIа - оптимальное распределение. IIIa удовлетворительное распределение, IVa - критическое распределение) с предлагаемой классификацией (где I и II - оптимальное распределение, III удовлетворительное распределение, IV - критическое распределение); фиг.6 - равномерность распределения посевов и распределение содержания гумуса в почве.
Геоинформационная система включает блок ввода данных с модулем их корректировки 1, блок накопления и хранения данных 2, блок обработки данных 3, блок формирования решения 4, блок воспроизведения информации 5. БНХД 2 включает два модуля - модуль хранения растровой информации 6, и модуль хранения векторной информации 7. МХР 6 включает подмодули хранения космоснимков 8 и растровых карт 9. МХВ 7 содержит подмодули накопления векторных карт 10, статистических показателей 11, атрибутивных данных 12. Подмодуль атрибутивных данных 12 включает сведения о плодородии почв, а именно: содержание гумуса, севооборота, структуры посевных площадей. БОД 5 содержит модуль обработки космоснимков 13, модуль обработки картографической информации 14 и модуль вычисления статистических показателей 15. БФР 4 состоит из модуля синтеза показателя 16 и модуля присвоения индекса U 17.
Предлагаемая система мониторинга земель работает следующим образом.
В БВД 1 вводят исходные данные, которые представляют собой мультиспектральные космоснимки в растровом формате, векторные карты и атрибутивную информацию, далее происходит проверка координатного обоснования поступающей информации и устанавливается взаимнооднозначное соответствие между данными. В БНХД 2 они распределяются по модулям МХР 6 и МХВ 7. В МХВ 7, векторные данные распределяются между подмодулями хранения векторных карт 10 и атрибутивных данных 12. Из подмодуля хранения космоснимков 8, подмодулей хранения векторных карт 10 и атрибутивных данных 12 информация для дальнейшей обработка поступает в модули МОКС 13 и МОКИ 14 БОД 3, связанных между собой. Из модуля МОКС 13 растровые данные направляются в МОКИ 14, откуда все обработанные данные передаются в МРПС 15, для расчета статистических показателей. Далее из МРСП 15 для хранения данные направляются в подмодуль статистических показателей 11 БНХД 2, а для дальнейшей обработки в модуль МПИ 17 БФР 4. В МПИ 17 происходит классификация распределения фитомассы полей, на основе программных расчетов и моделей МСП 16, где каждому полю присваивается индекс U. Из МПИ 17 обработанная информация направляется для визуализации в БВИ 5, где формируется в виде растровых и векторных карт, которые в последствии сохраняются в подмодуле хранения растровых карт 9 и подмодуле хранения векторных карт 10, в виде геометрических примитивов с установленными шаблонами классификации.
В качестве пробного участка для проведения мониторинга земель был выбран Северский район Краснодарского края. Первый этап включает обработку данных дистанционного зондирования (в крайнем красном и ближнем инфракрасном спектральных диапазонах). Обработка данных дистанционного зондирования подразумевает:
- расчет вегетационного индекса NDVI;
- преобразование растровой информации в векторный формат с учетом границы исследуемого участка.
Использование картографических данных для определения пространственного распределения сельскохозяйственных культур.
Неравномерность распределения посевов (фитомассы) на поле вызвана совокупным действием двух групп факторов: 1) условно естественными (неоднородность свойств почв, избыточная/недостаточная влажность почв, распространение болезней) и 2) условно техническими (засоренность посевов, нарушение технологических приемов обработки земли и посевов). Такая формализация может быть достигнута посредством расчета статистических показателей пространственного распределения с последующей ее классификацией (ранжированием).
Расчет вегетационного индекса NDVI осуществляется при помощи программного обеспечения (ПО) МОКС 13 в БОД 3 на основании данных полученных из БНХД 2. Для оценки NDVI использованы данные 3-го и 5-го каналов съемки, соответствующие инфракрасному спектру. Выходной растровый слой в каждом пикселе имеет пространственно координированный атрибут в диапазоне [-1
1], где отрицательные значения фиксируют отсутствие фитомассы, а значения около 1 - наличие густого растительного покрова (фиг.2.).
Преобразование растровой информации в векторный формат с учетом границы исследуемого участка выполняется в МОКИ 14 БОД 3. На полученный общий растр индекса NDVI накладываются векторные (в координатах используемой топографической основы) границы земель с различными почвенными и аграрными признаками (произрастающая культура фактическая и планируемая, количество собранного урожая с гектара земли за данный и предыдущий год). По контуру конкретного поля удаляются все экстраполированные пиксели, а интерполированные преобразуются в векторный файл, содержащий точки с атрибутами координат и значения NDVI.
В МРСП 15 БОД 3 производится расчет показателей для оценки неоднородности распределения полученных точек. Это среднее значение выборки NDVI 
, эксцесс (Е), коэффициент асимметрии (А). Использовалась средняя арифметическая величина, вычислявшаяся по формуле:
,
где xi - значения из выборки атрибутов пикселей, n - количество значений пикселей. Данный показатель достаточно эффективен для предварительной общей оценки количества активной фитомассы на сельскохозяйственных полях (фиг.2). Однако опираться лишь на этот показатель не эффективно, т.к. он подвержен сильному влиянию экстремальных значений NDVI в пределах поля.
Значение эксцесса определяет, является ли распределение пологим (при большом значении коэффициента) или крутым. Если значение эксцесса равно нулю, то наблюдения подчиняются нормальному распределению [Бююль, А. Иллюстрированный самоучитель по SPSS. M:., 2005. 605 с]. Эксцесс случайной величины x i определяется по формуле:
,
где µ4 - четвертый центральный момент случайной величины, 
- стандартное отклонение случайной величины [Громыко Г.Л. Статистика. M.:, 1981. 408 с.]. Данный показатель наряду с представлением о соответствии закону нормального распределения показывает, какой вид принимает график распределения значений NDVI в выборке относительно частоты значений NDVI. При этом значение коэффициента эксцесса не учитывает величины значений вегетационного индекса.
Коэффициент асимметрии - это мера отклонения распределения частоты NDVI от симметричного распределения. Если вершина асимметричного распределения сдвинута к меньшим значениям, то говорят о положительной асимметрии, в противоположном случае - об отрицательной [Бююль, А. Иллюстрированный самоучитель по SPSS. M.:, 2005. 605 с.]. Коэффициент асимметрии распределения случайной величины x i определяется по формуле:
где µ3 - третий центральный момент случайной величины, - стандартное отклонение случайной величины. Данный показатель используется для оценки распределения показателя NDVI внутри одного поля; он определяет, какие значения (меньшие или большие) преобладают в выборке. Этот показатель характеризует количество фитомассы, т.к. сдвиг вправо говорит о преобладании больших значений NDVI, а сдвиг влево говорит о преобладании меньших.
Для получения объективных оценок пространственного распределения фитомассы предлагается использовать сочетание двух коэффициентов - Е и А, то есть рассматривать их совокупно в МСП 16 БФР 4. Данный синтетический показатель, который был определен как показатель равномерности распределения в выборке NDVI (U), формируется следующим образом.
Приведем характерные (типичные) распределения значений NDVI в пределах поля. Для ситуации, когда А<0 и Е>0 (фиг.3а), характерны наибольшие значения в выборке, а значит и наибольшее количество фитомассы, кривая распределения сдвинута вправо относительно нуля. Для ситуации при А<0 и Е<0 (фиг.3б) характерно меньшее количество больших значений в выборке, но все эти значения сдвинуты относительно нуля вправо, а значит, подобный случай характеризует поля с относительно большим количеством фитомассы, но меньшим, чем в первом случае. В третьем случае с А>0 и Е>0 (фиг.3в) при минимальном количестве фитомассы отмечаются наименьшие значения в выборке и сдвиг кривой распределения влево относительно нуля. При А>0 и Е<0 (фиг.3г) наблюдается сдвиг в сторону меньших значений, но распределение этих значений имеет вид пологой кривой, а это значит, что количество фитомассы в данной ситуации больше, чем в третьем, но меньше, чем в первом и втором случаях.
На основе данных вариантов распределения выборки сформировано 4 класса состояния земель, которые характеризуют степень равномерности распределения фитомассы в границах поля. Кроме того, для случая распределения, близкого к нормальному, предусмотрен еще один класс (фиг.3д). Контроль экстремальных значений, способных привести к ошибкам классификации (ранжирования), выполняется с помощью специально написанного скрипта VBA. Для удобства восприятия классификации, полученной на основе распределения U, введены следующие классы: оптимальное, хорошее, удовлетворительное, неудовлетворительное, критическое. И каждому из классов присвоена унифицированная цветовая палитра для оперативного принятия решений относительно данного сельскохозяйственного участка.
Предлагаемая ГИС позволяет в отличие от известной точнее определять значения вегетационного индекса, так как учитывается значения показателей А и Е. Основным отличием разработанной ГИС классификации от общепринятого закона нормального распределения является то, что наилучшим образом растительность произрастает при отклонении кривой распределения вправо от нуля (фиг.3а), то есть формируется выборка максимальных значений вегетационного индекса. Следовательно, если все естественные условия произрастания культуры на исследуемых полях равны (одинаковое содержание гумуса, влаги, сходные климатические условия), то можно выявить зависимость получаемого полем класса от технических факторов, влияющих на произрастание сельскохозяйственных культур (фиг.6).
В качестве свидетельства применимости предлагаемых формальных подходов в оценке локальной равномерности распределения фитомассы приведем следующее. Сравним результаты классификации индекса U сформированного в МПИ 17 БФР 4 и визуализированного в БВИ 5 со спутниковым снимком (фиг.5). На данном снимке представлены участки сельскохозяйственных полей, входящих в исследуемую выборку. Для полей I и II характерно оптимальное распределение посевов, что визуально подтверждается на снимке однотонностью поверхности, что соответствует наилучшим типам распределения NDVI представленным графиками на фигуре 3а) и 3б). На полях III и IV с формально установленным удовлетворительным и неудовлетворительным распределением фитомассы, отчетливо заметна пятнистость в распределении посевов озимой пшеницы, что в свою очередь соответствует типологическому распределению представленному на графиках 3г) и 3д).
Как указывалось, одним из факторов может быть территориальная неоднородность свойств почв. Сравним результаты классификации с данными по содержанию гумуса на примере нескольких полей озимой пшеницы. Для сельскохозяйственных полей, расположенных на северозападной границе Северского района (в 2 км северо-западнее села Михайловское), а также полей, расположенных в 1,5 км юго-западнее села Львовское, характерно преимущественно оптимальное распределение посевов при среднем содержании гумуса в почве 2,8-4,7 мг/кг (рис.5, а).
Иная ситуация наблюдается на полях, расположенных в 1,5 км юго-западнее села Михайловское, а также на полях, расположенных в 4,5 км юго-восточнее станицы Северская; здесь распределение посевов на преимущественно удовлетворительное и неудовлетворительное при среднем содержании гумуса в почве (2,8-4,7 мг/кг), аналогичном рассмотренным ранее участкам. Причиной неравномерного распределения посевов на полях (фиг.5, б), являются не свойства почвы, а нарушение приемов обработки земли и сева, т.е. технический фактор.
Предложенная ГИС, опираясь на спутниковые данные, позволяет объективно классифицировать сельскохозяйственные поля по характеру распределения фотосинтетически активной фитомассы. Получаемые результаты позволяют определять степень (не)равномерности распределения посевов на исследуемой территории на дату спутниковой съемки.
Геоинформационная система мониторинга земель, включающая последовательно соединенные блок ввода данных с модулем их корректировки (БВД), блок накопления и хранения данных (БНХД), блок обработки данных (БОД), блок формирования решения (БФР), блок воспроизведения информации (БВИ), при этом БНХД включает два модуля - модуль хранения растровой информации (МХР), в котором находятся подмодули хранения космоснимков и растровых карт, и модуль хранения векторной информации (МХВ), содержащий подмодули накопления векторных карт, статистических показателей, атрибутивных данных, отличающаяся тем, что БОД содержит последовательно соединенные модуль обработки космоснимков (МОКС), модуль обработки картографической информации (МОКИ) и модуль вычисления статистических показателей (МВСП), один из выходов которого связан с подмодулем накопления статистических показателей, а второй выход - с модулем присвоения индекса U (МПИ), находящимся в БФР и соединенным в нем с модулем синтеза показателя (МСП), а выходом МПИ подключен к БВИ, который через вход-выход связан с МХВ в БНХД, а через другой вход-выход БНХД осуществлена связь БВИ с МХР, который через выход соединен со входом подмодуля хранения космоснимков, соединенного через его выход со входом МОКС, выходы подмодулей векторных карт и атрибутивных данных соединены со входами МОКИ модуля БОД, а их входы - с выходами МХВ.
