ИССЛЕДОВАНИЕ МЕТОДОВ ОБРАБОТКИ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ В АГРАРНОМ СЕКТОРЕ

Наукосфера. №10 (2), 2025 Сельскохозяйственные науки ISSN 2542-0402 111 http://nauko-sfera.ru/ СЕЛЬСКОХОЗЯЙСТВЕННЫЕ НАУКИ УДК 631.173:528.85 DOI 10.5281/zenodo.17491661 Научная статья ИССЛЕДОВАНИЕ МЕТОДОВ ОБРАБОТКИ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ В АГРАРНОМ СЕКТОРЕ RESEARCH INTO METHODS OF PROCESSING SATELLITE REMOTE SENSING DATA IN THE AGRICULTURAL SECTOR ДАНИЛОВА ДАРЬЯ ДМИТРИЕВНА, Уральский федеральный университет им. первого Президента России Б.Н. Ельцина. ИВАНЦОВА ЮЛИЯ АЛЕКСАНДРОВНА, кандидат филологических наук, доцент, Севастопольский государственный университет. DANILOVA DARIA DMITRIEVNA, Ural Federal University named after the first President of Russia B.N. Yeltsin. IVANTSOVA YULIA ALEKSANDROVNA, PhD in Philological Sciences, Associate Professor, Sevastopol State University. В статье рассматриваются современные методы обработки данных дистанционного зондирования Земли (ДЗЗ), применяемые в сельском хозяйстве. Проанализированы основные преимущества и недостатки спутниковых систем, а также их роль в контексте эффективного землепользования. Авторы представляют обзор существующих платформ для получения информации о состоянии земель на основе космических снимков, рассматривают спутниковые семейства ведущих стран, описывают этапы получения и обработки данных ДЗЗ, а также приводят примеры применения спутниковых технологий в аграрной сфере в России и зарубежом. Данное исследование направлено на выявление потенциала ДЗЗ для повышения эффективности производства сельскохозяйственного сектора. Результаты работы могут быть использованы в научных исследованиях и практической деятельности в сфере цифрового земледелия, мониторинга сельскохозяйственных угодий и геоинформационного обеспечения аграрного сектора. The article considers the modern methods of satellite-based remote sensing for monitoring agricultural lands. The authors analyze the key advantages and limitations of satellite systems and assess their role in promoting efficient land use. The study provides an overview of existing platforms for obtaining information on land conditions based on space imagery, along with a description of major satellite constellations operated by leading nations. It outlines the main stages of obtaining and processing Earth remote sensing data, and provides some examples of the application of satellite technologies in Russia and abroad. The research aims to evaluate the potential of remote sensing to improve the efficiency of agricultural production. The findings can be used in scientific research and practical implementation in the field of digital agriculture, agricultural land monitoring, and geoinformation-based decision-making in the agricultural sector. Наукосфера. №10 (2), 2025 Сельскохозяйственные науки ISSN 2542-0402 112 http://nauko-sfera.ru/ Ключевые слова: космические спутники, мониторинг земель, ДЗЗ, геоинформационные технологии, сельское хозяйство. Key words: Earth observation satellites, satellite-based land monitoring, remote sensing data, geoinformation technologies, agriculture. эпоху развития науки и техники внедрение спутниковых технологий для решения актуальных задач, стоящих перед современным сельскохозяйственным сектором, становится особенно важной миссией, которая заключается в более эффективном и рациональном использовании земельных ресурсов. Новые методы дистанционного зондирования Земли (ДЗЗ) открывают уникальные возможности для контроля аграрных угодий, предоставляя актуальные данные о состоянии почвы, о качественных характеристиках посевов сельхоз культур, об оценки степени увлажненности земли и других ключевых показателей угодий сельскохозяйственного назначения. В научном дискурсе вопросу применения методов ДЗЗ для управления сельскохозяйственными ресурсами уделяется значительное внимание со стороны отечественных и зарубежных исследователей, которые изучают эту тему в разностороннем аспекте. Современные методы мониторинга и оценки состояния сельскохозяйственных угодий с применением ДЗЗ и геоинформационных систем представлены в научных трудах Кашницкого А.В., Балашова И.В., Лупян Е.А., Толпина В.А., Уварова И.А. [6], Гришина И.Ю., Тимиргалеевой Р.Р. [3], Подрядчиковой Е.Д., Мартыновой Н.Г., Кустышевой И.Н., Раевы И.В. [17], Ховратовича Т.С. [7], Подольской Е.С. [16], Бабкеновой Л.Т., Макеновой С.К., Унышевой Н.К. [1] и других, где авторами рассматриваются различные вопросы, касающиеся автоматизированного анализа спутниковых данных, оценки продуктивности сельхозугодий, методологии мониторинга качества почв, уровня их плодородия и деградации на основе мультиспектральных космических данных, а также интеграции ДЗЗ с наземными наблюдениями и статистическими данными для повышения качества мониторинга. В ряде исследований изучаются актуальные вопросы, связанные с ДЗЗ, на примере отдельных регионов как Российской Федерации — в частности Хабаровского края [5], Пензенской области [22], Республики Крым [9], так и других стран, например, Вьетнама [13], основная задача которых провести оценку сельскохозяйственного потенциала земель с целью повышения эффективности управленческих решений в аграрной сфере. Перспективы внедрения искусственного интеллекта и нейронных сетей в систему цифрового земледелия для оптимизации агропроизводства и обеспечения продовольственной безопасности обсуждаются в работах Тугановой Р.С., Юльметовой Р.Ф. [19], Донченко А.С., Каличкина В.К., Голохваст К.С. [4]. Безусловно, для оценки состояния земель и улучшения их качества, важнейшим аспектом мониторинга является государственное управление земельными ресурсами, чему посвящены исследования авторов Пашута А.О., Солодовникова М.П. [15], Хаметова Т.И., Шиндяпина М.В. [21]. Среди работ зарубежных ученых, сфокусированных на применение методов ДЗЗ и изучение природных экосистем, можно выделить исследования Aaron E.M., Warner T.A., Fang F. [23], Kussul, N., Lavreniuk, M., Skakun, S., & Shelestov, A. [27] направленные на повышение точности классификации ландшафтов с использованием мультиспектральных и гиперспектральных данных. В работах Carlson, T.N., Ripley, D.A. [24], Huang S., Tang L.N., Hupy J.P., Wang Y., Shao G.F. [26] рассматриваются теоретические основы и практические аспекты применения NDVI в дистанционном зондировании. Также, следует отметить работу Omia E., Bae H., Park E., Kim M. S., Baek I., Kabenge I., Cho, B. K. [29], в которой авторы рассматривают алгоритмы машинного обучения для мониторинга растительного покрова и оценки состояния агросистем. Заслуживает отдельного внимания работа Björn Waske, сосредоточенная В Наукосфера. №10 (2), 2025 Сельскохозяйственные науки ISSN 2542-0402 113 http://nauko-sfera.ru/ на интеграции методов глубокого обучения спутниковых данных для картографирования землепользования и анализа пространственной динамики экосистем [30]. Таким образом, разнообразие задач — от оценки плодородия и деградации почв до государственного контроля за целевым использованием земель — подчёркивает широкий потенциал ДЗЗ в аграрной сфере и обусловливает высокую актуальность рассматриваемого в работе вопроса, связанного с технологиями дистанционного мониторинга сельскохозяйственных ресурсов. Цель данной работы — провести обзор спутниковых технологий дистанционного зондирования и программного обеспечения для обработки информации в контексте поддержки эффективного пользования сельскохозяйственными угодьями. В работе использованы как теоретические, так и прикладные методы исследования. Для оценки положительных и отрицательных аспектов применения технологий ДЗЗ в агропромышленном секторе проведен анализ научной, нормативной и технической литературы. В работе реализован сравнительный анализ спутниковых систем разных стран для определения их основных характеристик, систематизации их технических и функциональных параметров, а также качественной оценки программного обеспечения (такого как SAGA, QGIS, GRASS GIS и др.), применяемого для обработки и интерпретации спутниковых снимков. Согласно ГОСТ Р 59753-2021 [2], данные ДЗЗ — это как первичные данные, получаемые непосредственно с помощью аппаратуры дистанционного зондирования Земли, установленной на борту космического аппарата, и передаваемые или доставляемые на Землю из космоса посредством электромагнитных сигналов, фотопленки, магнитной ленты или какими-либо другими способами, так и материалы, полученные в результате обработки первичных данных, осуществляемой в целях обеспечения возможности их внедрение. Использование информации, получаемой со спутников Земли, открывает новые горизонты в области наблюдения и обработки данных о сельскохозяйственных угодьях. Это не только расширяет возможности для мониторинга, но и способствует формированию более точного, производительного и экологически обоснованного подхода к управлению ресурсами в сельском хозяйстве. Обзор существующих исследований по теме данной работы показал, что технологии ДЗЗ обладают рядом преимуществ, делающих их особенно значимыми для решения задач сельского хозяйства. Наиболее важные из них включают: 1. Скорость: свежие космические снимки могут быть получены в течение суток после размещения заказа на съёмку [10–12]. 2. Объективность: информация, полученная на основании космический снимков, является достоверной и отображает действительное состояние сельскохозяйственных земель и растительности [2; 18]. 3. Своевременность и регулярность: современные спутниковые системы ДЗЗ позволяют проводить съёмку с высокой периодичностью (до 1 суток) [6; 17]. 4. Единообразие: данные космической съёмки поставляются с откалиброванных сенсоров спутника, и не требуют дополнительных преобразований для улучшения их взаимной совместимости [2; 6]. 5. Масштабность: современные спутниковые системы ДЗЗ позволяют получать снимки больших территорий за один раз, что дает возможность проводить одновременные наблюдения на удалённых участках [1; 7]. 6. Возможность решения различных практических задач сельского хозяйства [9; 22]. Перечисленные преимущества информации, полученной посредством дистанционного зондирования, делают ее эффективным средством для решения задач в области агрономии и сельского хозяйства таких как: Наукосфера. №10 (2), 2025 Сельскохозяйственные науки ISSN 2542-0402 114 http://nauko-sfera.ru/  определение точных границ полей и рабочих участков с последующим расчётом их площадей [5];  инвентаризация и экспликация сельскохозяйственных земель [8];  картографирование реальной структуры земельных угодий на землях сельскохозяйственного назначения и определение реальной структуры посевных площадей [12];  обнаружение неиспользуемых земель и контроль за целесообразным использованием сельскохозяйственных угодий [15];  определение участков эрозии, переувлажнения, заболачивания и других проявлений деградации земель [3];  выявление случаев незаконного использования сельскохозяйственных земель [9]. Стоит отметить, что несмотря на очевидные преимущества, которыми обладают технологии ДЗЗ, также выделяют и отрицательные аспекты их применения, такие как зависимость от погодных условий, так как туман, облачность, дымка и т. д. препятствуют качеству снимка. К тому же дистанционное зондирование является дорогостоящим методом анализа, особенно при измерении небольших площадей. Применение ДЗЗ требует высокой квалификации и практических знаний в области анализа изображений: для работы со снимками необходима дополнительная подготовка кадров [18]. Можно сделать вывод, что применение данных ДЗЗ в сельском хозяйстве позволяет оптимизировать эффективность использования земельных ресурсов, а методы обработки ДЗЗ обеспечивают решения ключевых задач в сфере агрономии. Несмотря на некоторые недостатки, исследуемые технологии является основным способом для обеспечения оперативного контроля состояния почвы и посевов, прогноза урожая, оценки количественных и качественных параметров сельхоз посевов на ранних стадиях роста, а использование архивных снимков дает возможность отслеживать тенденцию изменения состояния почвы с течением времени. Для спутникового мониторинга в настоящее время на околоземной орбите находятся более 1000 активных семейств космических комплексов, разработанных в разных странах, 400 из которых используются для фотосъемки, предлагаем рассмотреть некоторые из них, с целью определения их характерных особенностей. Landsat представляет собой серию американских спутников, предназначенных для мониторинга Земли. Реализацию программы осуществляют совместно NASA и USGS. На данный момент реализовано девять миссий. Начиная с запуска Landsat в 1972 году, спутники Landsat непрерывно осуществляют съемку поверхности Земли, что позволило сформировать архив данных, отличающийся широким охватом. Японский спутник Advanced Land Observing Satellite (ALOS) предназначен для картографирования, региональных наблюдений, мониторинга природных катастроф и исследования ресурсов. Китайский спутник Gaofen-3 — один из представителей серии китайских спутников, созданных для получения высококачественных снимков Земли, разработанный для работы в любых погодных условиях и круглосуточного радиолокационного наблюдения за планетой. Его данные предназначены для использования как в гражданских, так и в государственных целях, мониторинг морских акваторий и прибрежных зон, наблюдение за ледовым покровом, контроль за паводками и наводнениями, картографирование местности, а также помощь в ликвидации последствий стихийных бедствий. Помимо этого, спутник обеспечивает данными в области охраны окружающей среды, сельского хозяйства и безопасности на море. Он оснащен радиолокатором с синтезированной апертурой (SAR), работающим в C-диапазоне (около 5,4 ГГц). Благодаря этому можно получать детализированные снимки поверхности независимо от погоды и времени суток. Спутник Gaofen-4 разрабатывался для проведения Наукосфера. №10 (2), 2025 Сельскохозяйственные науки ISSN 2542-0402 115 http://nauko-sfera.ru/ детального мониторинга земной поверхности. Его функционал охватывает картографирование, анализ природных ресурсов, экологический контроль и обеспечение общественной безопасности. Уникальной чертой Gaofen-4 является возможность частого обновления информации об обширных участках земной поверхности, что достигается за счет его работы на геостационарной орбите на высоте около 35 786 км над экватором Земли. Русский космический спутник «Ресурс-П» создан для осуществления наблюдений за земной поверхностью, работая в видимом и ближнем инфракрасном спектрах. Полученные данные находят применение в ряде задач, включая мониторинг природных богатств, отслеживание критических ситуаций, обновление картографических материалов, контроль экологического состояния, а также в поисках залежей полезных ископаемых, среди которых нефть и газ. Космический аппарат (КА) «Ресурс-П» номер 5 способен создавать снимки с высокой степенью детализации, где пространственное разрешение достигает 0,7 м, а также широкозахватные изображения с разрешением от 12 м в панхроматическом и мультиспектральном режимах. Дополнительно, аппарат обеспечивает получение гиперспектральных данных с разрешением 30 м. Система «Канопус-В» создана для получения панхроматических и многозональных изображений земной поверхности. Эти данные предназначены для использования Роскосмосом, МЧС, Министерством природных ресурсов и экологии (Минприроды), Росгидрометом и Российской академией наук (РАН). Спутники обеспечивают проведение картографических работ, мониторинг чрезвычайных ситуаций, включая пожары, и оперативное наблюдение за обозначенными регионами. Малый космический аппарат ДЗЗ «Кондор-ФКА», оснащенный радиолокатором высокого разрешения с синтезированной апертурой. Основными задачами КА «Кондор-ФКА» являются картографирование земной поверхности, экологический мониторинг и разведка полезных ископаемых. Радиолокатор с синтезированной апертурой обеспечивает получение высокоточных изображений земной поверхности при любых погодных условиях и в любое время суток [18]. В ходе изучения спутниковых систем, выявлено, что спутниковые семейства обладают как общими, так и уникальными характеристиками. Для наглядного сопоставления сведений выполнен сравнительный анализ, результаты которого представлены в таблице 1. Таблица 1. Характеристика спутниковых систем разных стран Спутники Страна Тип данных Спектральные каналы Период повторной съёмки Landsat (Landsat-8) США оптические панхроматический; мультиспектральные: VNIR, SWIR, TIR 1 раз в 16 суток ALOS (PRISM, AVNIR-2, PALSAR) Япония оптические, радарные оптическая съемка: панхроматический; мультиспектральные (4 канала VNIR); радарная съемка: Lдиапазон оптическая съемка: 1 раз в 2–3 суток; радарная съемка: от 1 до 3 суток в зависимости от режима и типа съемки Gaofen-3 Китай радарные С-диапазон 1 раз в 29 дней Gaofen (Gaofen-4) Китай оптические панхроматический; мультиспектральный (4 канала VNIR); средневолновой инфракрасный постоянно перемешается синхронно с Землей Наукосфера. №10 (2), 2025 Сельскохозяйственные науки ISSN 2542-0402 116 http://nauko-sfera.ru/ Ресурс-П Россия оптические панхроматический; мультиспектральный 3 суток Канопус-В Россия оптические панхроматический (0,54 – 0,86); синий (0,46÷0,52); зеленый (0,51¸ 0,6); красный (0,63÷0,69); ближний ИК (0,75 ÷ 0,84) 26 суток Кондор-ФКА Россия радарные частотный диапазон РСА — S не более 12–14 часов Как показывает таблица 1, многие страны имеют свои спутниковые системы, работающие в разных диапазонах, предоставляющие оптические и радарные типы данных и служащие для различных целей. Так, например, радарные спутники в отличие от оптических не зависят от освещённости и облачности, так как радиоволны сантиметрового диапазона проникают сквозь облака. А фиксация состояния земли в различных спектрах позволяет получить разную информации об одной территории. Рассмотренные спутниковые комплексы позволяют получить космические снимки, которые в обычном виде несут в себе мало информации. Для получения сведений о состоянии посевов необходимо провести обработку данных на основании космических снимков в геоинформационных системах и рассчитать вегетационный индекс, который является одним из ключевых анализируемым параметром для мониторинга особенностей изменения растительности на больших площадях. К программам, позволяющим выполнить тематическую обработку снимков, относят QGIS, SAGA GIS и GRASS GIS. Система QGIS представляет собой бесплатную геоинформационную систему с открытым исходным кодом, для создания, редактирования, визуализации, анализа и публикации геопространственной информации. Географическая информационная система SAGA GIS с открытым исходным кодом используется для редактирования и анализа пространственных данных и содержит большое количество модулей для анализа векторных (точечных, линейных и полигональных), атрибутивных, растровых данных и изображений [29]. Полнофункциональная геоинформационная система GRASS GIS предоставляет мощные механизмы для обработки растровых и векторных геоданных в единой интегрированной программной среде. GRASS включает средства для пространственного моделирования, визуализации растровых и векторных данных, управления геоданными и их анализа, для обработки данных дистанционного зондирования Земли и аэрофотоснимков [25]. Эти программы позволяют рассчитывать индексы вегетации, на основании которых возможно сделать выводы о состоянии земель. Однако, такое программное обеспечение не обладает дружественным интерфейсом и не имеет расшифровки рассчитанных данных. Как было сказано выше, индекс вегетации является ключевым показателем для оценки изменений, связанных с состоянием и плотностью растительного покрова. В данном исследовании будет рассмотрен расчёт самого популярного вегетационного индекса NDVI (Normalized difference vegetation index, Нормализованный вегетационный индекс), который представлен числовым показателем качества и количества растительности на участке поля [24]. Данный индекс рассчитывается по спутниковым снимкам и зависит от того, как растения отражают и поглощают световые волны разной длины. Расчёт данного индекса осуществляется по формуле 1 (Индекс NDVI). 𝑁𝐷𝑉𝐼 =𝑁𝐼𝑅−𝑅𝑒𝑑 𝑁𝐼𝑅+𝑅𝑒𝑑 , (1) Наукосфера. №10 (2), 2025 Сельскохозяйственные науки ISSN 2542-0402 117 http://nauko-sfera.ru/ где Red — интенсивностей отраженного света в красном диапазоне, NIR – интенсивностей отраженного света инфракрасном диапазоне [28]. Как было определено ранее расчёт вегетационных индексов возможно выполнить в программах QGIS, SAGA и GRASS GIS. Для классификации состояния растений используется классификация показателя NDVI по принципу, представленному на рисунке 1. Рис. 1. Значения индекса [14] Стоит также отметить, что такой расчет всего лишь приблизителен и следует принимать во внимание конкретный сезон, тип культур и региональные особенности, чтобы точно понять, что означают полученные данные. С учетом выше сказанного, предлагаем расчет NDVI в программах QGIS, SAGA GIS и GRASS GIS, для объективного сравнения которых были выбраны ряд критериев: удобство интерфейса, простота и гибкость процедуры расчёта, вычислительная производительность, качество визуализации и функциональность. Расчёт NDVI в программе QGIS. Для расчёта NDVI в QGIS (рис. 2) необходимо воспользоваться инструментом «Калькулятор растров» в пункте меню «Растр». В поле выражение ввести формулу 1, где в качестве Red будет Geotiff соответствующий изображению в красном диапазоне, а в качестве NIR Geotiff соответствующий изображению в инфракрасном диапазоне. Для разных спутников номера каналов и диапазоны могут отличаться. Например, для спутника Landsat красный канал соответствует номеру 4, инфракрасный номеру 5, а для спутника Ресурс-П с сенсором Геотон-Л1 красный номеру 4, инфракрасный номеру 7. Рис. 2. Выражение для расчёта NDVI в QGIS Наукосфера. №10 (2), 2025 Сельскохозяйственные науки ISSN 2542-0402 118 http://nauko-sfera.ru/ После выполнения расчёта, снимок отображается в Grayscale (в оттенках серого), но для наглядного представления данных необходимо применить стиль к слою (рис. 3). Рис. 3. Стиль NDVI в QGIS Результат расчета индекса NDVI в QGIS представлен на рисунке 4. Рис. 4. Результат расчёта NDVI в QGIS Расчёт NDVI в программе SAGA. Для расчёта индекса NDVI в SAGA необходимо выбрать пункт меню GeoprocessingGrid-Calculus-Grid Calculator. На выходе получаем слой с рассчитанным NDVI индексом (рис. 5). Наукосфера. №10 (2), 2025 Сельскохозяйственные науки ISSN 2542-0402 119 http://nauko-sfera.ru/ Рис. 5. Расчёт индекса NDVI в SAGA В свойствах полученного слоя устанавливаем type= classifier и заполняем таблицу классификатора (рис. 6). Рис. 6. Стиль NDVI в SAGA Результат расчета индекса NDVI в SAGA представлен на рисунке 7. Рис. 7. Результат расчёта NDVI в SAGA