Table of Contents

Введение: Вид сверху

На протяжении веков понимание здоровья сельскохозяйственных культур и моделей сельского хозяйства зависело от наземных наблюдений, фермерских отчетов и ручных полевых обследований. Эти методы, хотя и ценные, были медленными, локализованными и часто неполными. Сегодня спутниковые снимки предлагают преобразующую перспективу: возможность контролировать обширные сельскохозяйственные ландшафты с орбиты, с частыми повторными посещениями и все более тонким пространственным разрешением. Эта способность стала краеугольным камнем для анализа сельскохозяйственных моделей и оценки продовольственной безопасности по всему миру, предоставляя данные, которые являются своевременными, последовательными и масштабируемыми.

Спутниковое наблюдение Земли (EO) позволяет исследователям, сельскохозяйственным агентствам и гуманитарным организациям обнаруживать тонкие изменения в здоровье растительности, отслеживать переходы землепользования и предвидеть нехватку продовольствия, прежде чем они перерастут в кризисы. Используя мультиспектральные датчики, радиолокационные системы и тепловизионные изображения, спутники могут видеть за пределами видимого спектра, раскрывая информацию о физиологии растений, влажности почвы и даже стрессе воды, невидимых невооруженным глазом. В этой статье исследуются основные технологии, аналитические методы и реальные применения спутниковых изображений для мониторинга сельского хозяйства и оценки продовольственной безопасности.

Эволюция дистанционного зондирования сельского хозяйства

Использование спутников для мониторинга сельского хозяйства резко возросло за последние пять десятилетий. Ранние программы, такие как серия Landsat, запущенная НАСА и Геологической службой США в 1972 году, предоставили первые систематические снимки поверхности Земли с умеренным разрешением. Эти снимки позволили исследователям начать картографирование пахотных земель и наблюдение сезонных циклов растительности в континентальном масштабе.

С тех пор достижения в области сенсорной технологии, вычислительной мощности и политики открытого доступа к данным значительно расширили область. Программа Европейского космического агентства Copernicus с ее спутниками Sentinel теперь предоставляет бесплатные и открытые данные с разрешением до 10 метров с временем повторного посещения в пять дней. Коммерческие операторы, такие как Maxar и Planet Labs, предлагают еще более высокое разрешение (подметр) и ежедневные изображения, что позволяет проводить подробный мониторинг отдельных полей. Распространение небольших спутниковых созвездий снизило стоимость сбора данных и увеличило временную частоту, делая сельскохозяйственное наблюдение в режиме реального времени доступным для более широкого круга пользователей.

От аналоговых данных к аналитическим

Основным сдвигом стал переход от распределения необработанных изображений к готовым к анализу данным (ARD). Ранние спутниковые данные требовали значительной предварительной обработки — геометрической коррекции, атмосферной коррекции и маскировки облаков — прежде чем они могли быть использованы для анализа растительности. Сегодня многие поставщики данных и платформы (такие как Google Earth Engine, Microsoft Planetary Computer и Copernicus Data Space Ecosystem) предлагают слои ARD, которые позволяют пользователям вычислять индексы растительности, выполнять обнаружение изменений и запускать модели машинного обучения непосредственно на предварительно обработанных изображениях. Это снизило барьер для входа для сельскохозяйственных аналитиков и позволило ускорить, более масштабируемые рабочие процессы.

Ключевые спутниковые датчики и их применение в сельском хозяйстве

Различные спутниковые датчики оптимизированы для различных задач мониторинга сельского хозяйства. Понимание возможностей и компромиссов каждого типа датчиков имеет важное значение для выбора правильного источника данных для данного приложения.

Многоспектральные оптические датчики

Многоспектральные датчики захватывают отраженный свет в нескольких дискретных диапазонах длин волн, обычно включая видимые (красный, зеленый, синий) и ближние инфракрасные (NIR) каналы. Эти спектральные полосы являются основой для индексов растительности, таких как NDVI, которые используют сильный контраст между высокой отражательной способностью NIR и низкой красной отражательной способностью в здоровой, фотосинтетически активной растительности. Landsat 8/9 (OLI), Sentinel-2 (MSI) и MODIS (на Терре и Аква) являются одними из наиболее широко используемых мультиспектральных датчиков для сельского хозяйства. Sentinel-2, в частности, предлагает благоприятное сочетание 10-метрового разрешения и пятидневного времени повторного посещения, что делает его очень эффективным для мониторинга сельскохозяйственных культур в полевых масштабах.

Термальные инфракрасные датчики

Термальные датчики измеряют температуру поверхности, которая является ценным показателем для стресса воды растений. Когда культуры подвергаются воздействию воды, они закрывают свои устьицы для сохранения влаги, вызывая повышение температуры листьев выше уровней окружающей среды. Спутниковые тепловые данные, такие как из инструмента ECOSTRESS на Международной космической станции или тепловых полос Landsat, могут использоваться для обнаружения дефицита орошения, картографического испарения и управления водными ресурсами. Однако тепловые датчики обычно имеют более грубое пространственное разрешение (60-100 метров) по сравнению с видимыми / NIR датчиками.

Радар с синтетической апертурой (SAR)

Сенсоры SAR, такие как датчики Sentinel-1 и RADARSAT, работают на микроволновых длинах волн, которые могут проникать в облака и получать данные днем или ночью. Это критическое преимущество в тропических и муссонных регионах, где оптические изображения часто затеняются облачным покровом. САР обратное рассеяние чувствительно к структуре, ориентации и содержанию воды в растительности, что делает его полезным для картирования типа урожая, мониторинга стадий роста урожая, обнаружения наводнений в сельскохозяйственных районах и оценки влажности почвы. САР все чаще используется в сочетании с оптическими данными для надежного всепогодного сельскохозяйственного мониторинга.

Мониторинг здоровья растений с помощью растительных индексов

Индексы растительности преобразуют данные спектрального отражения в индикаторы биофизических параметров, таких как индекс площади листьев, зеленая биомасса и фотосинтетическая активность. Наиболее широко используемый индекс - Нормализованный Индекс Разницы Растительности (NDVI), рассчитанный как (NIR - Красный) / (NIR + Красный). Здоровая, энергичная растительность сильно отражает NIR и поглощает красный, производя высокие значения NDVI, в то время как разреженная или напряженная растительность дает более низкие значения.

Временные ряды NDVI, полученные на основе спутниковых данных, позволяют аналитикам отслеживать развитие сельскохозяйственных культур в течение вегетационного периода, выявлять аномалии от ожидаемых траекторий и оценивать потенциал урожайности. Отклонения от типичного профиля NDVI могут указывать на такие проблемы, как дефицит питательных веществ, заражение вредителями, вспышка заболевания или водный стресс. Например, внезапное падение NDVI в пиковый вегетационный период может сигнализировать о возникновении вредителей, в то время как устойчиво низкий уровень NDVI в регионе с адекватными осадками может указывать на истощение питательных веществ в почве.

Beyond NDVI: Растущие индексы

Хотя NDVI является надежным и простым в интерпретации, он имеет ограничения, в частности, он насыщает при значениях индекса площади листьев от умеренной до высокой и чувствителен к атмосферным и почвенным фоновым эффектам.

  • Расширенный индекс растительности (EVI) - снижает атмосферный и почвенный шум и не насыщает так же легко, как NDVI в районах с высоким биомассом, что делает его пригодным для плотного тропического сельского хозяйства и лесов.
  • Нормализованный индекс разности воды (NDWI) — Использует коротковолновые инфракрасные полосы (SWIR) для обнаружения содержания воды в растительности и почве, полезны для планирования орошения и мониторинга засухи.
  • Индекс растительности с поправкой на почву (SAVI) — включает в себя коэффициент коррекции яркости почвы, чтобы минимизировать влияние голой почвы, улучшая показатели в малорастительных или полузасушливых сельскохозяйственных зонах.
  • Индекс площади листьев (LAI) — получен из моделей радиационной передачи, применяемых к данным о отражении спутников; LAI является ключевым входом для моделей роста урожая и прогнозирования урожайности.

Выбор индекса зависит от конкретного сельскохозяйственного контекста, включая тип урожая, структуру навеса, условия окружающей среды и фенологическую стадию урожая.Аналитики часто используют несколько индексов в сочетании, чтобы получить более полную картину здоровья урожая.

Анализ землепользования и сельскохозяйственных моделей в масштабе

Спутниковые снимки позволяют составить карту и характеризовать использование сельскохозяйственных земель в местном, региональном и глобальном масштабах. Это имеет важное значение для понимания моделей земледелия, динамики землевладения, расширения или отказа от сельскохозяйственной деятельности и воздействия изменений в землепользовании на биоразнообразие и экосистемные услуги.

Картографирование типа урожая

Определение того, какие культуры выращиваются, является фундаментальным шагом для мониторинга производства, планирования цепочек поставок и нацеливания служб расширения. Спутниковое картирование типа урожая использует временные и спектральные сигнатуры: разные культуры имеют различные фенологические циклы, структуры навеса и профили спектральной отражательной способности, которые могут быть получены в многовременных спутниковых снимках. Классификаторы машинного обучения (такие как случайные леса, повышение градиента или архитектуры глубокого обучения), обученные на основе справочных данных на уровне полей, могут достичь высокой точности в различении основных типов культур, таких как кукуруза, пшеница, рис, соя и хлопок. Инициативы, такие как консорциум NASA Harvest и подразделение Европейской комиссии JRC MARS, производят оперативные карты типа урожая в национальных и континентальных масштабах.

Расширение и обнаружение изменений в земледелии

Спутниковые снимки обеспечивают последовательный, повторяемый метод картирования глобального масштаба пахотных земель и обнаружения изменений с течением времени. Такие продукты, как Глобальные данные анализа продовольственной безопасности и поддержки (GFSAD) и глобальные слои покрытия земель Copernicus, используют спутниковые данные для очерчивания сельскохозяйственных районов. Сравнивая снимки разных лет, аналитики могут определить, где были созданы новые сельскохозяйственные земли (часто за счет лесов или лугов) и где были заброшены маргинальные пахотные земли. Эта информация имеет решающее значение для отслеживания обезлесения, связанного с расширением сельского хозяйства, оценки деградации земель и информирования устойчивой политики управления земельными ресурсами.

Интенсивность обрезки и динамика Фэллоу

Во многих регионах фермеры выращивают несколько культур в год на одном и том же участке (многократное выращивание) или оставляют подвал земли на один или несколько сезонов. Спутниковые временные ряды могут выявить эти закономерности, обнаружив количество циклов урожая в год на основе профилей индекса растительности. Для этого анализа хорошо подходят датчики высокого временного разрешения (например, MODIS на 250 м, ежедневные изображения с планеты). Понимание интенсивности выращивания важно для оценки годового производства, оценки эффективности землепользования и прогнозирования поставок продовольствия.

Оценка продовольственной безопасности с помощью спутниковых индикаторов

Продовольственная безопасность — это многомерная концепция, которая зависит от наличия продовольствия, доступа к нему, его использования и стабильности.Спутниковые снимки в первую очередь способствуют измерению «доступности», предоставляя данные о производстве сельскохозяйственных культур, но также поддерживают системы раннего предупреждения и ситуационную осведомленность, которые лежат в основе других измерений.

Оценка доходности и прогнозирование производства

Ключевым применением спутниковых изображений для обеспечения продовольственной безопасности является оценка урожайности и общего производства. Методы варьируются от эмпирических моделей регрессии, которые соотносят спутниковые индексы растительности с историческими данными урожайности, до моделей роста урожая на основе процессов (например, DSSAT, WOFOST, AquaCrop), которые имитируют развитие растений на основе погоды и спутниковых входов. Оперативные системы, такие как Crop Explorer Министерства сельского хозяйства США и ASAP JRC (Anomaly Hotspots of Agricultural Production) используют спутниковые данные для мониторинга условий урожая и прогнозирования урожайности в течение вегетационного периода. Эти прогнозы поддерживают планирование рынка, программирование продовольственной помощи и принятие решений правительством.

Раннее предупреждение о продовольственных кризисах

Системы раннего предупреждения о продовольственной безопасности опираются на своевременные показатели сельскохозяйственного стресса. Индексы здоровья растительности, полученные со спутников, оценки осадков со спутниковых датчиков (например, GPM, CHIRPS) и продукты влажности почвы интегрированы в такие структуры, как сеть систем раннего предупреждения о голоде (FEWS NET), которая работает в более чем 30 странах. Когда спутниковые данные выявляют постоянные негативные аномалии растительности в регионе, который также показывает низкие осадки, высокие цены на продовольствие или конфликты, может быть выпущено раннее предупреждение, что побуждает к активным вмешательствам до полномасштабного продовольственного кризиса.

Интеграция спутниковых данных с социально-экономической и наземной информацией

Для получения всеобъемлющей картины данные дистанционного зондирования должны сочетаться с обследованиями домашних хозяйств, данными о рыночных ценах, докладами о конфликтах и показателями здоровья/питания. Такие организации, как Всемирная продовольственная программа (ВПП) и Продовольственная и сельскохозяйственная организация (ФАО) Организации Объединенных Наций, разработали комплексные аналитические рамки, которые объединяют спутниковые оценки растениеводства с социально-экономическими данными для выявления групп населения, наиболее подверженных риску отсутствия продовольственной безопасности. Эти комплексные подходы позволяют оказывать адресную продовольственную помощь и распределять ресурсы, обеспечивая охват наиболее уязвимых общин ограниченными ресурсами.

Тематические исследования и оперативные применения

Мониторинг засухи в Восточной Африке

В полузасушливых регионах Восточной Африки периодические засухи угрожают средствам к существованию миллионов скотоводов и мелких фермеров. Спутниковые данные, в частности оценки осадков из набора данных CHIRPS и состояния растительности из METOP-AVHRR и MODIS, составляют основу региональных систем мониторинга засухи. Центр прогнозирования и применения климата IGAD (ICPAC) использует спутниковые показатели для выпуска сезонных прогнозов и предупреждений о засухе. Во время засухи 2020-2023 годов в Африканском Роге спутниковые данные отслеживали беспрецедентный провал трех последовательных сезонов дождей, предоставляя ранние доказательства, которые позволили гуманитарным учреждениям увеличить помощь до того, как острое отсутствие продовольственной безопасности достигло пика.

Картографирование рисовой зоны в Южной и Юго-Восточной Азии

Рис является важнейшим продуктом питания для миллиардов людей, и его производство сильно зависит от управления водными ресурсами. Спутниковые снимки, в частности данные Sentinel-1 SAR, которые могут проникать в облачный покров в сезон муссонов, используются для картирования рисовой зоны и оценки дат посадки в таких странах, как Вьетнам, Таиланд и Индия. Сигналы обратного рассеяния SAR предсказуемо меняются по мере затопления, пересадки и созревания рисовых полей. Программа дистанционного зондирования на основе информации и страхования для культур в развивающихся странах (RIICE) использует этот подход для создания карт рисовой зоны в реальном времени и оценок урожайности, поддерживая национальную сельскохозяйственную статистику и схемы страхования.

Глобальный мониторинг производства сельскохозяйственных культур с помощью инициативы GEOGLAM

Инициатива GEOGLAM координирует усилия космических агентств, исследовательских институтов и министерств сельского хозяйства по своевременной спутниковой оценке мирового производства сельскохозяйственных культур. GEOGLAM Crop Monitor for Early Warning предоставляет ежемесячные отчеты о условиях выращивания основных основных культур (пшеница, кукуруза, рис, соя) в 180 странах. Эти отчеты используются информационной системой сельскохозяйственного рынка G20 (AMIS) для повышения прозрачности рынка и снижения волатильности цен на продовольствие. Спутниковые данные Landsat, Sentinel-2, MODIS и других обрабатываются стандартизированными методами для обеспечения согласованности в разных странах.

Проблемы и ограничения

Хотя спутниковые снимки стали незаменимым инструментом для мониторинга сельского хозяйства и анализа продовольственной безопасности, остается ряд проблем:

  • Облачная обложка: Постоянный облачный покров в тропических и муссонных регионах может серьезно ограничить доступность оптических спутниковых снимков. Сенсоры SAR решают эту проблему, но требуют специализированного опыта для интерпретации и не всегда доступны при требуемом разрешении или частоте.
  • Схемы пространственного и временного разрешения: Датчики с высоким пространственным разрешением (подметр до 10 метров) часто имеют более длительное время повторного посещения (16 дней для Landsat, 10 дней для Sentinel-2 без созвездия), в то время как датчики с ежедневным временем повторного посещения, такие как MODIS, имеют более грубое разрешение (250-1000 метров), что может пропустить шаблоны полевого уровня в гетерогенных ландшафтах мелких фермеров.
  • Данные о достоверности и валидации наземных данных: Модели спутниковых данных требуют для калибровки и валидации высококачественных данных in situ (тип урожая, урожайность, методы управления). Во многих регионах, не имеющих продовольственной безопасности, такие данные являются скудными, устаревшими или недоступными, что ограничивает точность и надежность оценок на основе спутников.
  • Малое сельское хозяйство:] Большинство продуктов питания в странах с низким уровнем дохода производится мелкими фермерскими хозяйствами с размерами полей менее одного гектара. Современные спутниковые датчики могут не обеспечивать достаточного разрешения для различения отдельных полей, а системы взаимопроникновения и разнообразные системы выращивания, распространенные в этих контекстах, трудно классифицировать автоматически.
  • Несмотря на политику в отношении открытых данных, проводимую многими космическими агентствами, доступ к спутниковым данным и вычислительной инфраструктуре, необходимой для их обработки, по-прежнему является барьером для исследователей и учреждений в странах с низким уровнем дохода. Создание потенциала и передача технологий имеют важное значение для обеспечения справедливого распределения выгод от спутникового мониторинга.

Будущие направления и новые технологии

Сельскохозяйственный спутниковый мониторинг быстро развивается, что обусловлено технологическими инновациями и растущим спросом на своевременную информацию.

Новые спутниковые миссии и созвездия

Следующее поколение спутников наблюдения Земли обещает еще более высокое пространственное, спектральное и временное разрешение. Миссия НАСА «Поверхностная биология и геология» (SBG) и предстоящая миссия ESA «Коперник Сентинел-2 следующего поколения» (Sentinel-2 NG) предложат улучшенные спектральные возможности, включая более узкие полосы для лучшего анализа растительности. Коммерческие созвездия, такие как «СуперГолубь» (восемь спектральных полос с 3-метровым разрешением) и созвездие SAR Capella Space (0,5-метровое разрешение), раздвигают границы того, что можно обнаружить с орбиты. Растущая доступность гиперспектральных изображений — с десятками или сотнями узких спектральных полос — позволит более точно идентифицировать типы сельскохозяйственных культур, статус питательных веществ и болезни растений.

Искусственный интеллект и облачные вычисления

Машинное обучение и глубокое обучение революционизируют анализ спутниковых данных для сельского хозяйства. Сверточные нейронные сети (CNN) и трансформаторные архитектуры достигают самых современных результатов в классификации типов сельскохозяйственных культур, прогнозировании урожайности и определении границ поля. Облачные платформы, такие как Google Earth Engine (GEE) и Amazon SageMaker, позволяют пользователям обрабатывать петабайт спутниковых изображений без загрузки данных локально, демократизируя доступ к крупномасштабному анализу. Ожидается, что интеграция моделей основания (таких как IBM Prithvi и NASA GrACE) специально подготовленных для данных наблюдения Земли, еще больше улучшит производительность на сельскохозяйственных задачах ниже по течению, уменьшая потребность в больших наборах данных обучения с маркировкой.

Интеграция с IoT и сенсорами In-Situ

Спутниковые данные все чаще объединяются с данными датчиков Интернета вещей (IoT), развернутых в сельскохозяйственных областях, включая зонды влажности почвы, метеорологические станции и камеры, установленные на беспилотниках. Такое сочетание спутникового покрытия с точностью наземного уровня позволяет более точные модели сельскохозяйственных культур и инструменты поддержки принятия решений. Например, спутниковые оценки эвапотранспирации могут быть откалиброваны по измерениям влажности почвы на месте для улучшения рекомендаций по планированию орошения.

Климатически оптимизированное сельское хозяйство и мониторинг устойчивости

По мере усиления изменения климата спутниковые снимки будут играть все более важную роль в мониторинге внедрения и эффективности климатически оптимизированных методов ведения сельского хозяйства, таких как сохранение почвенной погоды, обрезка покровов, агролесоводство и улучшение управления водными ресурсами. Спутники могут обнаруживать изменения в почвенном покрове, накоплении биомассы и ландшафтной структуре, которые указывают на то, внедряют ли фермеры методы, способствующие повышению устойчивости. Эти данные могут информировать о национальном планировании адаптации, подотчетности в области климатического финансирования и разработке индексных страховых продуктов, которые помогают защитить фермеров от потерь, связанных с погодой.

Вывод: основополагающий инструмент для будущего, безопасного для пищевых продуктов

Спутниковые снимки перешли от специализированного исследовательского инструмента к оперативной опоре сельскохозяйственного мониторинга и анализа продовольственной безопасности. Предоставляя последовательные, своевременные и масштабируемые данные о здоровье сельскохозяйственных культур, землепользовании и условиях окружающей среды, спутники позволяют директивным органам, гуманитарным организациям и самим фермерам принимать более обоснованные решения. Ни одна технология не может решить сложную проблему глобальной продовольственной безопасности, но спутниковое наблюдение Земли - в сочетании с дополнительными источниками данных и сильными аналитическими методами - стало неотъемлемой частью решения.

По мере появления новых датчиков, созревания искусственного интеллекта и расширения доступа к данным и вычислительной мощности потенциал спутниковых изображений для содействия продовольственной безопасности будет только расти. Задача сейчас состоит в том, чтобы обеспечить справедливое, этичное и эффективное развертывание этих мощных инструментов для поддержки наиболее уязвимых групп населения и создания более устойчивой глобальной продовольственной системы.