Развитие методов дистанционного мониторинга динамики наземных экосистем c использованием физических и эколого-математических моделей

Для развития методов дистанционного мониторинга наземных экосистем были проведены эксперименты, направленные на исследование возможности получения спутниковой оценки содержания азота и воды в зелёной биомассе сельскохозяйственной растительности на основе спутниковых индикаторов, полученных по данным прибора MSI (Sentinel-2) и OLI (Landsat-8). В рамках эксперимента биофизические характеристики растительности синхронно оценивались в лаборатории и по данным спутниковых приборов. Для подспутникового эксперимента были задействованы 8 полей, занятые сахарным тростником в период конца 2019 – начала 2020 года, 4 из которых были использованы в эксперименте с контролем дефицита воды (четыре страты с нормой полива от 25 до 100 % с шагом 25 %), и 4 других (с аналогичным стратифицированием) — в эксперименте с контролем дефицита азота (рисунок 2.3.1).

Для проведения эксперимента был составлен календарь дат съёмки экспериментальных полей указанными спутниковыми системами, наземные обследования были синхронизованы с календарём. Во время полевых работ для каждого из полей (страт) проводился деструктивный забор образца биомассы третьего сверху листа растения сахарного тростника в нескольких (от 5 до 10) различных точках каждой страты, его упаковка в герметичную ёмкость и отправка в лабораторию. В лаборатории измерялись показатели концентрации воды в биомассе (в % на сухое вещество) и концентрация азота (в % на сухое вещество), показатель рассчитывался для каждой страты осреднением всех оценок, полученных в границах страты.

Рисунок 2.3.1 — Взаимное расположение участвующих в эксперименте полей сахарного тростника с контролем дефицита водного (синий) и азотного (красный) питания, подписи отражают уровень обеспечения водой и азотным удобрением в процентах

Sentinel-2A/B выходов в поле для измерения количества азота и 7 согласованных с пролётом спутника Landsat-8 выходов для измерения количества воды. Из-за ограничений, связанных с пандемией, эксперимент был остановлен досрочно и необходимой статистической мощности лабораторных измерений достичь не удалось. Кроме этого, более половины лабораторных измерений было невозможно использовать для решения задачи оценки водного и азотного дефицита из-за экранирования экспериментальных полей отдельными облаками в некоторые даты полевых обследований. В частности, из-за сильной скученности и небольших размеров экспериментальных полей даже относительно редкая фрагментарная облачность могла сделать недоступным наблюдение сразу всех экспериментальных полей. Таким образом, в работе не получилось задействовать более 50% лабораторных измерений количества азота и около 40% измерений количества воды. Ввиду этого, в процессе построения основанной на множестве исследуемых индикаторов модели было невозможно использовать классические методы для снижения размерности пространства предикторов.

При построении моделей для дистанционной оценки количества связанного азота и воды оценивалась информативность основанных на полученных по данным прибора MSI мультиспектральных индикаторах. При оценке азота акцент был сделан на индикаторах, использующих, кроме прочих, измерения в информативных для этой задачи каналах «красного края» прибора MSI (каналы 5, 6, 7, 8А). Общий список индексов включает в себя CVI, ClGreen, GNDVI, REI, SAVI, NDVI, EVI2, NDWI, CL, MCARI(5-8A), NDRE(5-8A), MTCI. Обзор публикаций показывает, что ни один из вегетационных индексов, в том числе, основанных на «красном крае», в чистом виде не подходит для решения этой задачи и поэтому исследование фокусировалось на использовании их комбинаций. Ввиду большого количества индексов и, следовательно, их комбинаций, а также крайне небольшого количества данных лабораторных измерений, предварительная оценка информативности каждого из индикаторов производилась независимо, чтобы избежать переобучения модели.

При оценке фиксировались характеристики устойчивости линейной регрессионной модели в терминах значений RMSE (среднеквадратичная ошибка) модели, коэффициента детерминации линейной связи, F-статистики и уровня значимости модели (p-value). Кроме этого, дополнительно независимо тестировались вторые степени этих индикаторов в полиномиальной модели с дополнительной оценкой скорректированного (несмещённого) коэффициента детерминации. Индикаторы ранжировались в соответствии с параметрами полученной на их основе модели: RMSE минимизировалась, коэффициент детерминации максимизировался, F-статистика максимизировалась, p-value минимизировалось. В результате был получен рейтинг наиболее информативных индикаторов, наилучшим образом объясняющих вариабельность количества азота на экспериментальных полях. С учётом малого числа имеющихся экспериментальных измерений, максимальное число предикторов в модели было установлено не более трёх для снижения вероятности переобучения. С учётом результатов оценки попарной коррелированности наиболее информативных предикторов и исключения попарно-коррелированных комбинаций, наиболее устойчивыми оказались модели, основанные на предикторах MCARI8A, MCARI5 и GNDVI.

Оценки информативности индикаторов в терминах среднеквадратичной ошибки и уровня значимости индивидуальных моделей приведён на рисунке 2.3.2.

   
  

 

Рисунок 2.3.2 — Среднеквадратичная ошибка (слева) и уровень значимости (справа) индивидуальных моделей, построенных на основе первой степени (вверху) и второй степени (внизу) индикаторов содержания азота

Полученная в результате множественная регрессионная модель, основанная на вышеуказанных индикаторах, выглядела следующим образом (рисунок 2.3.3):

N = –0,055MCARI8A + 2,23MCARI5 + 700,08GNDVI + 237,25GNDVI2 – 148,32.

Аналогичный подход использовался для построения модели для дистанционной оценки количества воды в листьях. В этом случае лабораторные измерения количества воды были согласованы с пролётом спутника Landsat-8, поэтому построение модели могло происходить только на основе индикаторов, полученных по данным прибора OLI с разрешением 30 м. В качестве предикторов исследовались следующие индексы, которые, согласно обзору мирового опыта, часто использовались для оценки влажности зелёных листьев и мониторинга засухи: EVI2, SAVI, NDWI, NDDI, GVMI, NMDI, MSI (рисунок 2.3.4). Наиболее информативными предикторами оказались NDDI и NDWI.

Рисунок 2.3.3 — Оптимальная множественная регрессионная модель для дистанционной оценки относительного количества азота, полученная по результатам подспутникового эксперимента (горизонтальная ось) в сравнении с лабораторными измерениями (вертикальная ось)

   
    

 

Рисунок 2.3.4 — Среднеквадратичная ошибка (слева) и уровень значимости (справа) индивидуальных моделей, построенных на основе первой степени (вверху) и второй степени (внизу) индикаторов содержания воды

Множественная регрессионная модель для оценки относительного количества воды в листьях растений (рисунок 2.3.5):

W = 499,73NDDI – 99,76NDWI – 30,46NDWI2 – 229,65.

Рисунок 2.3.5 — Оптимальная множественная регрессионная модель для дистанционной оценки относительного количества воды в листьях (RLWC, relative leaf water content, %), полученная по результатам подспутникового эксперимента (горизонтальная ось) в сравнении с лабораторными измерениями (вертикальная ось)

Следует отметить, что ввиду крайне небольшого количества данных для калибровки модели водного стресса, а также полное отсутствие лабораторных измерений с относительным количеством воды ниже 40 %, модель ненадёжно прогнозирует низкие значения содержания воды в листьях. Необходимо использование дополнительных калибровочных данных для дальнейшего улучшения модели.

Сравнительные тесты показали, что значения в каналах SWIR1-2 и NIR приборов OLI и MSI практически совпадают (R2 > 0,95) при одновременных (с разницей в несколько часов) съёмках одинаковых участков земной поверхности на территории региона исследования. Таким образом, необходимые каналы для расчёта характеристик дефицита воды на плантациях имеются и у спутниковой системы Sentinel-2.