vestnik Журнал "Вестник Сибирского государственного университета геосистем и технологий (СГУГиТ)" 2411-1759 ФГБОУ ВО "Сибирский государственный университет геосистем и технологий (СГУГиТ)" RU https://vestnik.sgugit.ru 10.33764/2411-1759-2025-30-1-48-58 Дистанционное зондирование земли, фотограмметрия Решение задач идентификации сельскохозяйственных культур и актуализации границ сельскохозяйственных полей (на примере Хабаровского муниципального района) К. Н. Дубровин Дубровин К. Н. Л. В. Илларионова Илларионова Л. В. А. С. Степанов Степанов А. С. Вычислительный центр ДВО РАН, г. Хабаровск, Российская Федерация Дальневосточный научно-исследовательский институт сельского хозяйства, с. Восточное, Хабаровский край, Российская Федерация 2025 30 1 48 58 © К. Н. Дубровин, Л. В. Илларионова, А. С. Степанов, 2025 2025 К. Н. Дубровин, Л. В. Илларионова, А. С. Степанов Эта статья дотупна по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная. Решение задач цифрового земледелия направлено на обеспечение продовольственной безопасности страны. В статье предложен подход к распознаванию посевов сельскохозяйственных культур и уточнению границ сельскохозяйственных полей с использованием спутниковых данных и методов машинного обучения. По спутниковым изображениям Sentinel-2 в 2023 г. были рассчитаны значения временных рядов нормализованного разностного индекса вегетации (NDVI) для сельскохозяйственных угодий Хабаровского района Хабаровского края. Точность распознавания классификатора на основе метода «случайного леса» (RF) составила 92 %. В ходе исследования была подготовлена карта сельскохозяйственных угодий района за 2023 г., проведена сравнительная оценка рассчитанных площадей, занятых сельхозкультурами, а также неиспользуемой пашни, с данными, внесенными в Единую федеральную информационную систему земель сельскохозяйственного назначения (ЕФИС ЗСН). Выявлены несоответствия вида использования, а также наименования культуры в ЕФИС ЗСН фактическим данным (99 полей общей площадью 2 568 га); восстановлена информация об использовании земель, не отраженных в ЕФИС ЗСН (5 990 га, или 18 % от общей площади ЗСН Хабаровского района). Контуры сельскохозяйственных полей Хабаровского района также были актуализированы на основе результатов работы классификатора. Предложенный метод может применяться для картографирования земель сельскохозяйственного назначения, выявления проблемных участков на полях, что позволит эффективнее принимать управленческие меры для повышения эффективности сельского хозяйства (учета ЗСН и повышения урожайности культур). цифровое земледелие спутниковый мониторинг земли сельскохозяйственного назначения дистанционное зондирование машинное обучение временные ряды NDVI распознавание посевов digital agriculture satellite monitoring agricultural lands remote sensing machine learning NDVI time series crop recognition 1. Единая федеральная информационная система о землях сельскохозяйственного назначения [Электронный ресурс]. – Режим доступа: https://efis.mcx.ru/landing. 2. Буланов К. А., Денисов П. В., Лупян Е. А., Мартьянов А. С., Середа И. И., Трошко К. А., Толпин В. А., Барталев С. А., Хвостиков С. А. Блок работы с данными дистанционного зондирования Земли Единой федеральной информационной системы о землях сельскохозяйственного назначения // Современные проблемы дистанционного зондирования Земли из космоса. – 2019. – Т. 16. – № 3. – С. 171–182. – DOI 10.21046/2070-7401-2019-16-3-171-182. – EDN: SXGLGW. 3. Козубенко И. С., Бегляров Р. Р., Вандышева Н. М., Бабак В. А., Денисов П. В., Трошко К. А. Использование материалов дистанционного зондирования Земли в Единой федеральной информационной системе о землях сельскохозяйственного назначения (ЕФИС ЗСН) // Материалы 2-й Всерос. науч. конф. с междунар. участием «Применение средств дистанционного зондирования Земли в сельском хозяйстве» : сб. материалов (Санкт-Петербург, 26–28 сентября 2018 г.).– СПб. : ФГБНУ АФИ, 2018. – С. 19–25. 4. Лупян Е. А., Прошин А. А., Бурцев М. А. и др. Система «Вега-Science»: особенности построения, основные возможности и опыт использования // Современные проблемы дистанционного зондирования Земли из космоса. –2021.– Т. 18. – № 6. – С. 9–31. – DOI 10.21046/2070-7401-2021-18-6-9-31. – EDN: SXGLGW. 5. Миклашевич Т. С., Барталев С. А., Плотников Д. Е. Интерполяционный алгоритм восстановления длинных временных рядов данных спутниковых наблюдений растительного покрова // Современные проблемы дистанционного зондирования Земли из космоса. – 2019. – № 16 (6). – С. 143–154. – DOI 10.21046/2070-7401-2019-16-6-143-154. – EDN INHUAN. 6. Meng S., Wang X., Hu X., Luo C., Zhong Y. Deep learning-based crop mapping in the cloudy season using one-shot hyperspectral satellite // Computers and Electronics in Agriculture. – 2021. – Vol.186. –106188. – DOI 10.1016/j.compag.2021.106188. – EDN WZNVKP. 7. Казяк Е. В., Лещенко А. В. Спектральные преобразования космических снимков Landsat 8 для картографирования растительности агроэкосистем // Интерэкспо ГЕО-Сибирь-2015. XI Междунар. науч. конгр. : Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология» : сб. материалов в 2 т. (Новосибирск, 13–25 апреля 2015 г.). – Новосибирск : СГУГиТ, 2015. Т. 1. – С. 79–83. – EDN TRLCIR. 8. Gómez C., White J. C., Wulder M. A. Optical remotely sensed time series data for land cover classification: A review // ISPRS Journal of Photogrammetry and Remote Sensing. – 2016. – Vol. 1162016. – P. 55–72. – DOI 10.1016/j.isprsjprs.2016.03.008. – EDN WVHHGL. 9. Asgarian A., Soffianian A., Pourmanafi S. Crop type mapping in a highly fragmented and heterogeneous agricultural landscape: A case of central Iran using multi-temporal Landsat 8 imagery // Computers and Electronics in Agriculture. – 2016. – Vol. 127. – P. 531–540. – DOI 10.1016/j.compag.2016.07.019. 10. Erdanaev E., Kappas M., Wyss D. Irrigated Crop Types Mapping in Tashkent Province of Uzbekistan with Remote Sensing-Based Classification Methods // Sensors. – 2022. – Vol. 22. – 5683. – DOI 10.3390/s22155683. – EDN ZTUUVK. 11. Hao P., Tang H., Chen Z., Yu L., Wu M. High resolution crop intensity mapping using harmonized Landsat-8 and Sentinel-2 data // Journal of Integrative Agriculture. – 2019. – Vol. 18 (12). – P. 2883–2897. – DOI 10.1016/S2095-3119(19)62599-2. – EDN AKMPVA. 12. Jonsson P., Eklundh L. Seasonality extraction by function fitting to time-series of satellite sensor data // IEEE Transactions on Geoscience and Remote Sensing. – 2002. – Vol. 40 (8). – P. 1824–1832. – DOI 10.1109/TGRS.2002.802519. 13. Yang Y. P., Luo J. C., Huang Q. T., Wu W., Sun Y. W. Weighted double-logistic function fitting method for reconstructing the high-quality Sentinel-2 NDVI time series data set // Remote Sensing. – 2019. – Vol. 11. – 18. – DOI 10.3390/rs11202342. 14. Berger A., Ettlin G., Quincke C., Rodríguez-Bocca P. Predicting the Normalized Difference Vegetation Index (NDVI) by training a crop growth model with historical // Computers and Electronics in Agriculture. – 2019. – Vol. 161. – P. 305–311. – DOI 10.1016/j.compag.2018.04.028. – EDN LHKBDT. 15. Zhou J., Jia L., Menenti M. Reconstruction of global MODIS NDVI time series: Performance of Harmonic ANalysis of Time Series (HANTS) // Remote Sensing of Environment. – 2015. –Vol. 163. – P.217–228. – DOI 10.1016/j.rse.2015.03.018. – EDN UTCNMX. 16. Atkinson P. M., Jeganathan C., Dash J., Atzberger C. Inter-comparison of four models for smoothing satellite sensor time-series data to estimate vegetation phenology // Remote Sensing of Environment. – 2012. – Vol. 123. – P. 400–417. – DOI 10.1016/j.rse.2012.04.001. 17. Rasterio: access to geospatial raster data – Rasterio documentation [Electronic resource]. – URL: https://rasterio.readthedocs.io/en/stable. 18. The Open Source Geospatial Foundation [Electronic resource]. – URL: https://www.osgeo.org/. 19. Scikit-learn: machine learning in Python – scikit-learn 1.4.2 documentation [Electronic resource]. – URL: https://scikit-learn.org/stable.