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 10.33764/2411-1759-2025-30-6-36-47 Дистанционное зондирование земли, фотограмметрия Перспективы применения сезонных временных рядов радиолокационных данных (на примере спутника Sentinel-1) для распознавания посевов сельскохозяйственных культур Хабаровского края А. Л. Верхотуров Верхотуров А. Л. А. С. Степанов Степанов А. С. Вычислительный центр Дальневосточного отделения Российской академии наук, г. Хабаровск, Российская Федерация Дальневосточный научно-исследовательский институт сельского хозяйства, Хабаровский край, с. Восточное, Российская Федерация 2025 30 6 36 47 © А. Л. Верхотуров, А. С. Степанов, 2025 2025 А. Л. Верхотуров, А. С. Степанов Эта статья дотупна по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная. Методы мониторинга в земледелии, основанные на данных с радиолокаторов с синтезированной апертурой в перспективе, способны стать ключевым инструментом, дополняя и расширяя традиционные оптические методы спутниковых наблюдений. К главному преимуществу радиолокационной съемки относится инвариантность к атмосферным помехам, обусловленным облачным покровом, что актуально для юга Дальнего Востока России. Основной целью статьи явилась оценка возможности применения сезонных временных рядов радиолокационных индексов для распознавания посевов в задачах картографирования, контролирования севооборотов и др. По данным спутника Sentinel-1 для пахотных земель Хабаровского края в вегетационные сезоны (апрель – октябрь) 2019–2021 гг. были построены временные ряды VH/VV, RVI, DpRVI. Рассматривались три класса растительности: соя, овес, залежь. Для сравнения по данным Sentinel-2 формировались временные ряды NDVI. При подготовке временных рядов вегетационных индексов использовалась аппроксимация на основе ряда Фурье. Было установлено, что кривые сезонного хода VH/VV, RVI, DpRVI имели схожую форму для каждого класса. Для сои, овса, залежи определены численные значения максимума и дня наступления максимума в 2019–2021 гг. Наиболее устойчивым оказался индекс DpRVI – коэффициент вариации значений максимума по полям сои составил 5,7 %, по овсу – 10,1 % , по залежи – 4,0 %. Вариабельность RVI и VH/VV составила, по сое 8,0 и 9,8 %, по овсу 15,0 и 18,8 %, по залежи – 6,9 и 7,1 % соответственно. Общая точность классификации с использованием метода RF в 2019–2021 гг. по VH/VV находилась в интервале 67,6–76,8 %, по RVI – 67,5–77,6 %. Точность распознавания на основе временных рядов DpRVI повышалась до 82,0–88,9 %, что было сопоставимо с точностью по NDVI – 86,8–92,8 %. В целом, применение DpRVI в задачах точного земледелия перспективно как в сочетании с оптическими данными, так и при мониторинге, базирующемся на спутниковой радиолокации. дистанционное зонирование Земли данные радиолокационной спутниковой съемки мониторинг сельскохозяйственные культуры вегетационные индексы распознавание remote sensing of the Earth radar satellite imaging data monitoring agricultural crops vegetation indices classification 1. Якушев В. П., Захарян Ю. Г., Блохина С. Ю. Состояние и перспективы использования дистанционного зондирования Земли в сельском хозяйстве. Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19 (1). С. 287–294. 2. d’Andrimont R., Verhegghen A., Lemoine G. et al. From parcel to continental scale – A first European crop type map based on Sentinel-1 and LUCAS Copernicus in-situ observations. Remote Sensing of Environment. 2021. Vol. 266. P. 112708. 3. Лупян Е. А., Барталев С. А., Толпин В. А. и др. Использование спутникового сервиса ВЕГА в региональных системах дистанционного мониторинга. Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11(3). С. 215–232. 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. 5. Денисов П. В., Трошко К. А., Лупян Е. А., Толпин В. А. Возможности и опыт использования информационной системы Вега-PRO для мониторинга сельскохозяйственных земель. Вычислительные технологии. 2022. Т. 27 (3). С. 66–83. 6. Kim Y. J., Van Zyl J. A time-series approach to estimate soil moisture using polarimetric radar data. IEEE Transactions on Geoscience and Remote Sensing. 2009. Vol. 47(8). P. 2519–2527. 7. Kumar S. D, Rao S. S., Sharma J. R. Radar Vegetation Index as an Alternative to NDVI for Monitoring of Soyabean and Cotton. Indian Cartographer. – 2013. – Vol. 23. – P. 91–96. 8. Chang J. G., Shoshany M., Oh Y. Polarimetric Radar Vegetation Index for Biomass Estimation in Desert Fringe Ecosystems. IEEE Transactions on Geoscience and Remote Sensing. 2018. Vol. 56 (12). P. 7102–7108. 9. Ratha D., Mandal D., Kumar V. et al. A Generalized volume scattering model-based vegetation index from polarimetric SAR data. IEEE Geoscience and Remote Sensing Letters. 2019. Vol. 16(11). P. 1791–1795. 10. Mandal D., Ratha D., Bhattacharya A. et al. A Radar Vegetation Index for Crop Monitoring Using Compact Polarimetric SAR Data. IEEE Transactions on Geoscience and Remote Sensing. 2020. Vol. 58 (9). P. 6321–6335. 11. Mandal D., Kumar V., Ratha D. et al. Dual polarimetric radar vegetation index for crop growth monitoring using Sentinel-1 SAR data. Remote Sensing of Environment. 2020. Vol. 247. P. 111954. 12. Verma A., Bhattacharya A., Dey S. et al. Radar surface scattering index from dual-pol Sentinel-1 SLC and GRD SAR data. International Conference on Machine Intelligence for GeoAnalytics and Remote Sensing (MIGARS). 2024. New Zealand, 8–10 Apr. P. 1–4. 13. Fisette T., Rollin P., Aly Z. AAFC annual crop inventory. Second International Conference on Agro-Geoinformatics (Agro-Geoinformatics). 2013. P. 270–274. 14. Верхотуров А. Л., Степанов А. С., Илларионова Л. В. Использование радиолокационных данных для мониторинга состояния посевов сельскохозяйственных культур на юге Дальнего Востока России. Информатика и автоматизация. 2024. Вып. 23 (4). С. 1221–1245. 15. Gascon F., Bouzinac C., Thépaut O. et al. Copernicus Sentinel-2A Calibration and Products Validation Status. Remote Sensing. 2017. Vol. 9 (6). P. 584. 16. Ya'nan Z., Weiwei Z., Li F. et al. Hierarchical classification for improving parcel-scale crop mapping using time-series Sentinel-1 data. Journal of Environmental Management. 2024. Vol. 369. P. 122251. 17. Hamidi M., Homayouni S., Safari A., Hasani H. Deep learning based crop-type mapping using SAR and optical data fusion. International Journal of Applied Earth Observation and Geoinformation. 2024. Vol. 129. P. 103860.