Кузнецов К.В.

Кубанский государственный университет, Россия

Нечёткая классификация как метод оценки состояния сельскохозяйственных посевов в Краснодарском крае

 

Важной предпосылкой, способствующей развитию растениеводства в Краснодарском крае, является оперативный мониторинг земель и сельскохозяйственных посевов. В связи с большой ежегодной посевной площадью края (более 3,6 млн. га) возникает необходимость оперативного контроля посевов, что, в свою очередь, предполагает реализацию современных методов дистанционного, в том числе, спутникового зондирования. Одной из приоритетных задач мониторинга посевов является выделение границ «неблагоприятных участков» с последующим определением их площадей. Под неблагоприятными участками понимаются локальные области в пределах поля с выраженной неоднородностью посевов на дату спутниковой съемки. Своевременное выделение таких участков на ранней стадии созревания той или иной культуры дает возможность проведения мероприятий по их устранению, включая локальный пересев озимых. Попутно при накоплении сведений о распределении этих участков возможно установление причин их образования (естественных или обусловленных человеком).

Предлагается использовать приемы оценки локальной пространственной однородности посевов, позволяющие выделить неблагоприятные участки. При локализации дефектных участков посевов применены методы нечеткой классификации, ориентированные на получение классов, элементы которых внутри класса максимально однородны, но максимально отличаются от элементов других классов [3]. Более подробно остановимся на некоторых теоретических аспектах предложенной методики. Рассмотрим термин «граница», поскольку именно с определением границ связано решение поставленной задачи. Согласно определению И.С. Щукина «… граница – это линия или переходная полоса, при пересечении которой происходит существенное изменение природных условий» [5]. С использованием континуальной модели геопространства изменяются представления о границе. Если при дискретном переходе (граница – линия) площадь ее равна 0, то при континуальном переходе границу следует представить в виде двух- или трехмерного образования. Таким образом, в контексте рассматриваемого вопроса границей, независимо от масштаба пространственного образования, служит «переходная полоса» [1, 2, 4].

В качестве информационного показателя, на основе которого можно провести объективную классификацию посевов, использовано значение индекса NDVI (Normalized Difference Vegetation Index – количественный показатель фотосинтетически активной фитомассы) в ячейках растра.

Программным продуктом, обеспечивающим проведение классификации, выступил BoundarySeer, реализующий для осуществления нечеткой классификации метод кластеризации k-means. Данный метод разбивает множество элементов на заранее известное число кластеров k. Алгоритм работает так, чтобы минимизировать дисперсию на точках каждого класса:

                                                        (1)

где k – число кластеров,  – полученные кластеры, и  – центры масс векторов.

В каждой итерации происходит переопределение центра масс для каждого кластера, полученного на предыдущем шаге, происходит разбиение на кластеры вновь; алгоритм завершается, когда на итерации не происходит изменения кластеров. Результатом нечеткой классификации является вероятность принадлежности элемента классу [3].

В работе в качестве исходных данных использовались данные микроспутников RapidEye с разрешением 6,5 м (дата съемки 02.05.2010 г.), а также векторные данные (границы сельскохозяйственных полей Северского района), предоставленные департаментом сельского хозяйства и обрабатывающей промышленности Краснодарского края. Подготовка растровых данных включала расчет индекса NDVI и экспорт полученного растра в формат ASCII инструментом «Raster to ASCII» пакета ArcGIS. Классификация посевов проводилась в пакете BoundarySeer и выполнялась в отношении двух классов – «благоприятные» и неблагоприятные участки посевов.

В процессе исследования влияния параметров алгоритма на результаты классификации осуществлен экспериментальный расчет с различными значениями параметра степени размытости ϕ, по данным которого выбрано значение ϕ=3.

В связи с тем, что множество полей представляет собой дискретное пространство, выделить границу автоматически с помощью средств программного комплекса BoundarySeer затруднительно. Поэтому решено определять границу на основе разной вероятности принадлежности к классу неблагоприятные участки посевов: 75%, 85% и 95%. Полученные растры экспортированы в формат .img. Далее с помощью инструмента «Raster to polygon» в пакете ArcGIS растры конвертированы в векторный формат .shp.

На рисунке 1 представлены примеры выделенных неблагоприятных участков с заданной вероятностью принадлежности к классу неблагоприятные участки.

а)

б)

в)
   

Рис. 1. Результаты выделения участков посевов на основе а) 75%-ной, б) 85%-ной, в) 95%-ной вероятности принадлежности к классу неблагоприятные участки.

 

На основе полученных результатов рассчитаны площади неблагоприятных участков посевов озимой пшеницы Северского района Краснодарского края как для каждого поля в отдельности, так и для всех полей района общей площадью 114 км2 (табл. 1). Полученные результаты характеризуют состояние посевов Северского района: 33% площади по рассматриваемым критериям локальной однородности посевов с 75%-ной вероятностью являются неблагоприятными. Вполне закономерно с увеличением вероятности принадлежности площади таких посевов уменьшаются, занимая 27% и 12% соответственно при 85%-ной и 95%-ной вероятностях.

 

Таблица 1 – Площадь неблагоприятных участков посевов озимой пшеницы Северского района Краснодарского края

 

Вероятности принадлежности, %

Площадь неблагоприятных участков

км2

%

75

37,64

33,09

85

30,77

27,05

95

13,14

11,55

 

В заключение необходимо отметить, что данный метод позволяет проводить автоматизированную и достаточно объективную классификацию состояния посевов на основе вегетационного индекса NDVI, выделять неблагоприятные участки в границах полей по признаку их пространственной однородности, оценивать их площадь. Для дальнейшего совершенствования метода желательна экспериментальная обработка спутниковых снимков на территориях с другими физико-географическими условиями, а также другими культурами.

 

Литература:

1.                 Дьяконов К. Н. Изучение вертикального строения ландшафта // Методика ландшафтных исследований. – Л, 1971. – C. 67-73.

2.                 Коломыц Э. Г. Ландшафтные исследования в переходных зонах. – М.: Наука, 1987. – 118 с.

3.                 Погорелов А.В., Нетребин П.Б. Проблема определения границ Большого Кавказа с позиции нечеткой классификации // Мат. IV конф. молодых ученых «Геоинформационные технологии и космический мониторинг». Ростов-на-Дону, 2011, с. 180-187.

4.                 Родоман Б. Б. Основные типы географических границ // Географические границы. – М.: Изд-во МГУ, 1982. – С. 19-32.

5.                 Щукин И. С. Четырехъязычный энциклопедический словарь терминов по физической географии. – М: Советская Энциклопедия, 1980. – 703 с.