Что такое NDVI снимки? Как информацию этих снимков применяют современные агрономы? Как обеспечить масштабное применение снимков в сельском хозяйстве?
Ученые и аграрии всего мира стремятся изобрести такие инструменты, которые волшебным образом, практически без участия человека смогут в разы повысить продуктивность посевов или, по крайней мере, заблаговременно угадать урожайность сезона.
Современные IT продукты способны оказать весомую помощь в анализе и структурировании больших объемов данных, но пока не могут заменить человека. Одним из таких инструментов, на который даже современные аграрные институты возлагают надежды как на панацею, является снимок NDVI.
С появлением многозональной космической съемки появился новый инструмент косвенного анализа растительных покровов на основе анализа спектральных кривых – вегетационный индекс NDVI – нормализованный относительный индекс растительности. Впервые подобный анализ был применен в 70-х годах американскими учеными (Rouse BJ). Позже подобные исследования проводились в Венгрии, Британии, Индии, Китае, Канаде и России и других странах.
Методы расчета
Для расчета индекса применяется формула:
NDVI = NIR-RED/ NIR+RED
Показатель NIR обозначает отражение в ближней инфракрасной области спектра, а показатель RED - отражение в красной области спектра.
Согласно этой формуле, интенсивность и плотность растительного покрова в каждой конкретной точке снимка равна разнице интенсивностей отраженного света в красном и инфракрасном диапазоне, деленной на сумму их интенсивностей.
Однако такой простой способ расчета скрывает в себе большие погрешности, на которые влияют различия в освещенности снимка, облачности, дымки, поглощение радиации атмосферой, отражение от почвенного слоя и другие факторы. Для получения более точных данных применяется сложный метод нормализованной разности между минимумом и максимумом отражений.
Со временем появилось много модификаций классического расчета NDVI, которые снижают степень влияния различных помехообразующих факторов. Для расчета этих индексов используются формулы, учитывающие отношения между отражающей способностью различных природных объектов и растительностью в других диапазонах, помимо красного и инфракрасного, что делает их более сложными в применении. К примеру, индекс EVI (Enhanced vegetation index).
Особенности интерпретации данных NDVI
В современном сельском хозяйстве индекс NDVI обычно рассчитывается на основе спутниковых снимков или снимков БПЛА, что ведет к значительному удорожанию производственного процесса, так как для оперативного реагирования годятся только свежие снимки.
Значение индекса NDVI рассчитывается в диапазоне от –1 до +1, а для анализа растительности индеек обязательно принимает только положительные значения: чем больше зелёная масса растений в момент измерения, тем значение NDVI ближе к единице.
Однако показатель NDVI – весьма относительная величина, которая не показывает абсолютных значений биомассы зеленых листьев. Этот индекс позволяет лишь приблизительно оценить, насколько хорошо или плохо развиваются посевы. NDVI абсолютно неэффективен на снимках, полученных в сезон невегетирующей растительности.
Значение индекса на одном и том же участке поля постоянно меняется в течение сезона в зависимости от фаз развития посевов. Индекс растет с наступлением вегетационного периода, в момент цветения рост индекса NDVI прекращается и затем переходи к стадии снижения по мере созревания посевов. Очевидно, что на значении индекса также сказывается уровень плодородности почвы, агрономические технологии и даже метеоусловия. Наиболее точные прогнозы урожайности посевов определяются по пиковым значениям NDVI. Применительно к злакам, пик NDVI обычно приходится на момент начала фазы колошения.
Необходимость цифровизации анализа снимков NDVI
Безусловно, информация снимков NDVI отличный инструмент, который может дать важную информацию для агронома. Но массовое распространение они пока не получили из-за высокой стоимости, больших площадей и сложности анализа. На сегодняшний момент, как бы качественно ни проводилось обучение специалистов анализу снимков, быстрое и масштабное внедрение элементов точного земледелия не возможно. Не хватает компетенции агрономов, нет эффективных инструментов, которым можно доверить предварительный анализ посевов.
Снимки констатируют уже свершившийся факт, на который повлияли погодные условия, питательность почвы, особенности культуры и другие факторы. Это такие факторы, влияние которых постфактум исправить нельзя, но можно принять превентивные меры по предотвращению болезней посевов. Здесь важно чтобы снимки были максимально свежими, с максимальным разрешением. Большая польза от снимков будет, если агроном будет оценивать эффективность технологий на основе снимков NDVI, меняя агротехнологические мероприятия и последовательность действий агронома в зависимости от динамики изменения данных снимков. Вот именно для этого нужна статистика NDVI снимков в разрезе нескольких лет. Отклонения этих показателей на полях с одной культурой укажут точную стратегию действий агронома.
Сейчас агрономы ежедневно объезжают поля для проверки и анализа, но для превентивных мер нужна программа. Отрасли нужен IT продукт, который будет самостоятельно анализировать NDVI снимки, выделять «зоны риска» и отправлять экстренные оповещения агроному для точечной проверки проблемы.
Подобный продукт уже на стадии разработки в Казахстане - ИС «AgroStream». Комплексная система управления сельхозпредприятием «AgroStream» уже известна казахстанским фермерам, однако ПО постоянно дорабатывается, расширяя функционал и совершенствуясь. Уже в ближайшем будущем ПО «AgroStream» сможет анализировать большие объемы данных, доводить до пользователя уже готовые результаты и присылать агроному уведомления о возможных проблемах. Такой подход позволит использовать инструмент точного земледелия - снимки NDVI без требований высокой компетенции агронома.
Подводя итоги, отметим, что главным звеном в агротехнологических процессах был и остается агроном. Именно человек применяет конечные решения, но для упрощения задач нужны современные информационные системы, которые бы учитывали текущий уровень компетентности пользователя.