Спутниковый мониторинг состояния посевов озимого рапса на основе данных Sentinel-2 для оценки динамики вегетации и пространственной неоднородности в условиях Вологодской области

Актуальность исследования связана с растущей ролью точного земледелия и необходимостью оперативного контроля за состоянием сельскохозяйственных культур (Schepers, 2019). Применение данных дистанционного зондирования, в частности миссии Sentinel-2, позволяет оценивать биофизические параметры растений без вмешательства в агроэкосистемы и обеспечивает основу для поддержки управленческих решений в растениеводстве (Mamabolo et al., 2025). Данные по озимому рапсу особенно востребованы в условиях северных широт, где краткий вегетационный период и высокая облачность осложняют полевые наблюдения.

Научная новизна заключается в адаптации статистических метрик к малой выборке сцен и использовании контрастной визуализации для выделения слабых аномалий развития культуры. Выполнена адаптация статистических метрик для анализа пространственной неоднородности.

Цель исследования – оценить динамику развития внутриполевой неоднородности посевов озимого рапса на основе спутни- ковых данных Sentinel-2 для последующего использования в системах точного земледелия и оптимизации агротехно-логических решений. Объект исследования – посевы озимого рапса. Предмет исследования – динамика вегетации и пространственной неоднородности посевов.

Задачи исследования:

– отобрать и подготовить спутниковые данные Sentinel-2 (уровня L2A) для исследуемого участка, включая атмосферную коррекцию, маскирование облачности и пространственную обрезку;

– рассчитать значения индекса NDVI как основного индикатора фотосинтетической активности и провести его статистический анализ, выделив среднее, медиану, стандартное отклонение, коэффициент вариации, перцентили;

– построить временные ряды NDVI с применением статистических метрик (медиана, стандартное отклонение, коэффициент вариации, перцентили) для выявления фаз роста и пространственной неоднородности посевов;

– оценить влияние облачности и фактического временного разрешения 2–5 дней при работе с данными Sentinel-2 на возможность оперативного мониторинга посевов;

– определить практическую значимость спутникового мониторинга для агропроизводства, обозначив потенциал его интеграции в технологии точного земледелия (дифференцированное внесение, выявление проблемных зон) и необходимость наземной верификации (агрохимические и фитосанитарные обследования, аэрофотосъемка с БПЛА).

Материалы и методика исследований

Представлены результаты мониторинга посевов озимого рапса в течение вегетационного периода (май – сентябрь 2025 года) на основе данных спутников Sentinel-2 (миссия Copernicus, ESA) в условиях агроландшафта, локализованного на территории Вологодской области предприятия «Племзавод-колхоз имени 50-летия СССР» 58.948383, 39.991078. Номинальное временное разрешение спутников Sentinel-2 составляет 5 дней для каждой базы данных, но при совместном использовании аппаратов S2A и S2B для средних широт фактический интервал между последовательными сценами уменьшается до 2–3 дня, что особенно важно для мониторинга быстрых фаз развития посевов1. Пространственное разрешение – до 10 м по ключевым каналам, что делает данные оптимальными для агрономического анализа на уровне отдельных полей и крупных предприятий (Савин и др., 2015).

Спутниковая система Sentinel-2 (аппараты S2A и S2B) оснащена мультиспек-тральным сенсором MSI (MultiSpectral Instrument), регистрирующим излучение в 13 спектральных каналах с пространственным разрешением 10, 20 или 60 м2. Каналы охватывают видимую часть спек- тра, ближний инфракрасный (NIR) и коротковолновый инфракрасный (SWIR) диапазоны, что позволяет оценивать фотосинтетическую активность растений, содержание хлорофилла и влаги в покрове. Для мониторинга ключевыми являются каналы Sentinel-2:

– B2 (Blue) – синий канал (490 нм, 10 м), используется для коррекции атмосферных искажений, чувствителен к содержанию пигментов и состоянию воды;

– B3 (Green) – зеленый канал (560 нм, 10 м), чувствителен к содержанию хлорофилла, используется при расчете некоторых индексов (например, GNDVI);

– B4 (Red) – красный канал (665 нм, 10 м), основной канал для оценки фотосинтеза и расчета NDVI (Benedetti, Rossinni, 1993);

– B5–B7 (Red Edge) – красная граница (705, 740, 783 нм, 20 м), чувствительны к стрессам растений и обеспеченности азотом, используются в индексе NDRE и других;

– B8 (NIR) – ближний ИК (842 нм, 10 м), отражает фотосинтетически активную биомассу, входит в расчет NDVI и других индексов;

– B11, B12 (SWIR) – коротковолновой ИК (1610 и 2190 нм, 20 м). Информативны для оценки влаги растений и почвы, диагностики засухи и стрессов.

Данные Sentinel-2 доступны в уровнях обработки L1C (отраженное излучение от верхней границы атмосферы) и L2A (отражательная способность поверхности, после коррекции атмосферы). В рамках данного исследования использованы сцены уровня L2A, предварительно прошедшие атмосферную коррекцию (алгоритм Sen2Cor), что обеспечивает корректные значения открытой поверхности.

Для анализа были отобраны все доступные сцены Sentinel-2 за период с мая по сентябрь 2025 года, покрывающие контур

ESA. Sentinel-2 User Handbook. ESA Standard Document. 2015. 64 p.

Там же.

исследуемого участка с посевами озимого рапса. Всего было отобрано 42 снимка за вегетационный период, 10 из которых были полностью покрыты облаками и отсеяны из последующего анализа. Данные загружены через открытый сервис Copernicus Open Access Hub. Для автоматизации загрузки и первичной обработки привлекались Python-библиотеки (sentinelsat, rasterio). На этапе предварительной обработки применялись следующие шаги:

– атмосферная коррекция – использовались готовые продукты L2A (с коррекцией Sen2Cor), дополнительная коррекция не требовалась;

– маскирование облачности – на основе слоя классификации сцены (SCL) и показателей яркости были исключены пиксели, соответствующие облакам и их теням; пиксели с высоким альбедо в видимых и SWIR-диапазонах классифицированы как облачные и не учитывались в дальнейших расчетах;

– мозаика и обрезка по контуру – при наличии близких по времени частично облачных сцен выполнялось объединение изображений – для каждого участка поля брались пиксели с меньшей облачностью или более высоким NDVI; также все сцены обрезались по границам поля (векторный полигон), чтобы исключить влияние прилегающих территорий и сконцентрироваться только на исследуемом участке.

Из откорректированных мультиспек-тральных данных рассчитаны значения вегетационного индекса NDVI – базового индекса вегетации, на основании которого, как отмечают многие авторы, возможно осуществлять мониторинг посевов, определять тип культур, оценивать урожайность и воздействие экстремальных факторов, а также состояние почв (Benedetti, Rossinni, 1993; Groten, 1993; Liu, Kogan, 2002; Atzberger, 2013; Omia et al., 2023; Хутуев и др., 2024).

Обработка и анализ данных выполнялись с использованием специализированных ГИС и ДЗЗ-инструментов. Для расчета индексов и визуализации применялся бесплатный пакет ESA SNAP, а также QGIS v. 3.16 с дополнением Semi-Automatic Classification Plugin (для загрузки спутниковых данных и вычисления индексов). В анализ временных рядов NDVI включались возможности языка Python, библиотек NumPy, Pandas, Matplotlib.

Для каждого снимка строились тематические карты NDVI. Использовались два подхода к шкале отображения:

Фиксированная шкала – значения NDVI от 0 до 1 окрашивались по единой цветовой шкале от коричневых тонов (низкий NDVI) до насыщенно-зеленых (высокий NDVI). Значения ниже 0,2 отображались как темно-коричневые (близко к оголенной почве), выше 0,9 – как ярко-зеленые (насыщенный покров). Такой единый масштаб позволяет напрямую сравнивать карты разных дат по абсолютному уровню NDVI.

Контрастное отображение (относительная шкала): для выявления тонких внутриполевых различий каждая карта также отображалась с индивидуальным контрастированием – в диапазоне µ ± σ (среднее значение ± одно стандартное отклонение для данного снимка). При этом пикселям с NDVI равным среднему присваивался средний зеленый тон, значение на одно σ выше среднего – самый яркий зеленый, а на σ ниже – самый темный (бурый) тон. Такой прием усиливает локальные контрасты на каждом конкретном изображении, позволяя заметить слабые аномалии развития, которые могут быть неразличимы на фиксированной шкале (например, небольшие разницы в густоте всходов на фоне общего высокого NDVI).

Результаты исследования

Для количественной оценки состояния посевов рассчитаны статистические по-

NDVI

Примечание. Кривая – медианное значение NDVI по полю; зеленые зоны – межквартильный размах (25–75 перцентили), светло-зеленая зона – диапазон 5–95 перцентилей. Вертикальными полосами условно отмечены фазы развития культуры: ранняя вегетация (весна), цветение (июнь), налив семян (июль), созревание (конец июля) и период после уборки (осень).

Рис. 1. Динамика показателя NDVI озимого рапса за весенне-летнюю вегетацию

Источник: данные исследований авторов.

казатели NDVI по полю для каждой даты наблюдения: среднее и медианное значение, стандартное отклонение, коэффициент вариации (V), а также перцентили (5-й, 25-й, 75-й, 95-й), характеризующие распределение индекса. На рис. 1 приведен временной ряд NDVI по датам (май – сентябрь 2025 год) с доверительными областями, отражающими разброс значений по полю.

Начальный этап вегетации

К 20 мая средний NDVI по полю увеличился до 0,6–0,7, что свидетельствует о восстановлении листового аппарата после зимнего периода, хотя и сохранялась существенная неоднородность из-за различий в густоте стояния и появлении сорных растений. На дату начала мониторинга медианное значение NDVI по полю составляло около 0,75, что говорит об оптимальном состоянии культуры после перезимовки. В связи с высокой облачностью в апреле – мае 2025 года начало временного ряда ограничено 20 мая 2025 года.

Важным дополнением к дистанционным данным служат полевые наблюдения за развитием растений. На рис. 2 приведено состояние посевов на 24.04.2025. Растения постепенно начали возобновлять вегетацию после зимы, несмотря на частичное выпадение культуры. В целом рост можно оценить как удовлетворительный. Густота стояния растений существенно различается в пределах поля. Присутствуют ареалы, где посевы сильно разрежены – менее 17–19 шт./м², но на большей части массива густота стояния близка к оптимальной – около 28 шт./м². К маю на отдельных участках начали развиваться сорные виды, что также существенно может смещать величины NDVI при их осреднении (Савин и др., 2020). Рост и развитие растений были неравномерными, что отразилось на морфометрических

Рис. 2. Состояние растений на момент 24.04.2025

Источник: данные исследований авторов.

показателях. Высота растений в среднем варьировала от 50 до 70 см (V > 10%), однако на ряде участков не превышала 40 см (Kv < 10%). Количество боковых побегов первого и второго порядка, влияющих на урожайность, колебалось от 8 до 19 шт. на растение. В среднем по полю этот показатель близок к оптимальному (9–11 шт.), но встречались участки с более низкими значениями. Наибольшая высота растений наблюдалась в группах, где плотность составляла ~20 шт./м², а наименьшая, при оптимальной густоте, ~28 шт./м². Вероятно, более низкая плотность способствовала лучшей обеспеченности питательными элементами, что отразилось на росте и ветвлении растений. Участки с меньшей интенсивностью вегетации в виде ареалов частично совпадали с контурами пониженной продуктивности, рассчитанными с использованием индекса NDVI.

Следует также учитывать, что в разреженных посевах индекс NDVI может быть завышен. При формировании подроста и наличии сорных растений проективное покрытие листовой поверхностью создают как растения озимого рапса, находящиеся в фазе цветения, так и поздние или сорные виды.

К концу мая – началу июня наблюдался рост показателя NDVI по мере активного отрастания листьев (фаза интенсивной вегетации перед бутонизацией). Распределение показателя NDVI сместилось в область более высоких значений 0,7–0,8. В первой половине июня (фаза бутонизации) NDVI достиг своего максимума, при этом на ряде снимков высокая облачность (более 70%) существенно препятствовала проведению дистанционной оценки состояния посевов. К 20 июня среднее значение NDVI составило 0,67, медианное – 0,63. В этот период распределение NDVI было однородным. Величина среднеквадратического отклонения не превышала 0,05, а коэффициент вариации в среднем снизился до 3–7% по отдельным сценам, анализируемым в июне, что указывает на

Примечание. Левая часть изображения - контрастирование на 0-1, правая часть - контрастирование р ± а .

Рис. 3. Картограммы NDVI на отдельных сценах Sentinel-2

Источник: данные исследований авторов.

более однородное состояние большинства растений, однако не учитывает уровень засоренности, что может искажать оценки.

Для июня межквартильный диапазон (25–75%) был порядка 0,55–0,63, а экстремальные перцентили (5-й и 95-й) находились в пределах 0,52 и 0,67. Таким образом, к началу цветения посевы рапса по всему полю выровнялись по биомассе, на что косвенно указывало более однородное распределение пикселей по показателю NDVI. На рис. 3 представлены картограммы NDVI на отдельных сценах Sentinel-2.

Фаза цветения

По данным ряда снимков, медианный NDVI снижался до 0,42–0,59. Ярко-желтые лепестки во время цветения частично прикрывают зеленую листву, что снижает суммарное отражение в ближнем инфракрасном диапазоне (NIR) и, соответственно, величину NDVI. Медианный

NDVI опускался до 0,45, стандартное отклонение увеличивалось до 0,05–0,08, коэффициент вариации – до 10–15%, отражая возросшую мозаичность растений на этом этапе.

Визуальные обследования подтверждали, что растения, несмотря на снижение NDVI, не выглядели угнетенными – явных болезней не выявлено, степень засоренности низкая. Однако встречались достаточно большие площади растений, еще не достигших перехода к фазе цветения. Такие пятна совпадали с областями повышенной интенсивности вегетации по NDVI. В целом проведенные агротехнические мероприятия обеспечили нормальное развитие, но уровень выровнен-ности растений в посеве оставался средним (50–70 см: коэффициент вариации по высоте превышал 10%), хотя на отдельных участках низкий (до 40 см, при V% <  10%). На рис. 4 представлено состояние растений на период июня 2025 года.

Нормально вегетирующая растительность - формирование цветков снижает величину NDVI в среднем по полю

Ареалы с большей долей растений не перешедших полноценно в фазу цветения, обуславливающие неоднородность вегетации в период конец мая-конец июня как следствие на таких участка NDVI был выше

Рис. 4. Состояние растений на период июня 2025 года

Источник: данные исследований авторов.

По данным ряда снимков, средний показатель NDVI принимал более низкие значения 0,42–0,59 (в разных сценах из коллекции снимков в первой половине июня). Ярко-желтые лепестки при цветении частично прикрывают зеленую листву, что снижает суммарное отражение в ближнем ИК-диапазоне (NIR) и, соответственно, величину NDVI. В среднем в июле медианный NDVI снижался до 0,45, а разброс значений несколько увеличивался по сравнению с пиковым состоянием: стандартное отклонение могло достигать 0,05–0,08, V соответствовал 10–15%. Появились более выраженные участки, характеризующие пестроту развития растений. В распределении пикселей присутствовали участки со значениями NDVI < 0,25 и > 0,75. Стоит отметить, что в данном случае индекс NDVI вполне мог быть завышенным для разреженных посевов и где формируется подрост, поскольку степень покрытия листовой поверхностью почвы определялась не только растениями в фазе цветения, но и прочими растениями, которые в своем развитии либо отстали от основной массы, либо являются сорными растениями в посевах озимого рапса.

Налив семян

Во второй половине июля показатель NDVI выходил на плато: на 19 июля медианный показатель составлял около 0,53, межквартильный размах – 0,45–0,60, крайние перцентили (5–95%) – 0,30–0,65. Коэффициент вариации возрастал до 20– 30%, что показывает рост внутриполевой мозаичности – часть растений еще наливает семена, часть уже начала подсыхать. Такое смешение высоких и низких значений свидетельствует о неодновременно-сти созревания и различии в обеспеченности влагой и питанием. К этому моменту стандартное отклонение достигло 0,10, коэффициент вариации – 20–30%.

К концу июля – началу августа показатель NDVI более активно снизился. На 6 августа средний NDVI по полю составлял 0,24 и снизился почти до нулевых значений, характерных для предуборочного состояния, когда растения полностью

NDVI на момент 01.08.2025

NDVI на момент 14.07.2025 - Красным цветом выделено перекрытие растительности облаком

Примечание. Левая часть изображения – контрастирование на 0–1, правая часть – контрастирование µ ± σ .

Рис. 5. Картограммы NDVI на отдельных сценах Sentinel-2

Источник: данные исследований авторов.

потеряли зеленую массу. На спутниковом снимке от 15 августа NDVI снизился до 0,17. Распределение NDVI в этот период сместилось к нулю: медиана 0,15, большинство значений близки к 0,1. Лишь в отдельных точках отмечались чуть более высокие значения (до 0,2–0,3), что может указывать на небольшие участки с сохранившимся сорняком или побегами (падалицей рапса, начавшей прорастать сразу после уборки). В целом же коэффициент вариации в августе снова вырос (до 50–60%), но это уже во многом объясняется эффектом близости средних значений к нулю. На рис. 5 представлены картограммы NDVI на отдельных сценах Sentinel-2.

Фаза созревания и уборка

К началу августа NDVI снижался более активно: на 6 августа медианный показатель составлял 0,24, а на 15 августа – около 0,20. После уборки значения не превышали 0,2, а распределение пикселей было однородным при среднеквадратичном отклонении, принимающим значения, близкие к нулю.

NDVI для исследуемого участка в 2025 году изменялся в диапазоне от 0,1– 0,2 до 0,8, отражая ход развития культуры. Средний по полю NDVI за сезон составил 0,5–0,6. Медианные значения и перцентили NDVI показали характерные фазы: весной – умеренный NDVI 0,3–0,4 с большим разбросом (гетерогенность вследствие перезимовки), в период бутонизации – пик NDVI 0,7–0,8 и наивысшая однородность (минимальный разброс), при цветении – снижение NDVI до 0,5–0,6 и рост неоднородности, в фазе созревания – резкое падение NDVI < 0,2 и очень широкое распределение, после уборки – второй минимум. Для наглядного анализа были построены картограммы NDVI на каждую дату съемки. На рис. 6, 7 приведены примеры таких карт в ключевые фенологические фазы развития озимого рапса. Использована единая цветовая шкала NDVI = 0,2–0,9 (см. рис. 6). Отдельно для каждой даты строились контрастированные карты NDVI с индивидуальной настройкой диапазона (µ ± σ ; см. рис. 7).

Рис. 6. Картограммы NDVI на отдельных сценах Sentinel-2, 1-верх цветовая шкала NDVI = 0,2–0,9 Источник: данные исследований авторов.

Рис. 7. Картограммы NDVI на отдельных сценах Sentinel-2, 1-верх цветовая шкала μ ± σ

Источник: данные исследований авторов.

Так, на контрастной карте 17 июня стали различимы участки с несколько пониженным NDVI (0,55) среди общего плотного фона 0,60 – такие отклонения могли быть вызваны локальным дефицитом питания или влиянием рельефа. На общей картограмме без контрастирования (с общей шкалой 0,2–0,9) эти зоны практически не отличались по цвету. В период цветения, наоборот, контрастная визуализация под-

Таблица. Сводная информация о медианных значениях и диапазонах NDVI по фенологическим этапам

Период наблюдений (2025 год) Фенологическая фаза Медианный NDVI (p50) Диапазон 5–95% p05–p95 20–31 мая Весенняя вегетация 0,60–0,75 0,55–0,85 1–10 июня Активное отрастание перед бутонизацией 0,70–0,80 0,60–0,90 10–28 июня Цветение 0,30–0,60 0,15–0,85 28 июня – 20 июля Налив семян 0,75–0,85 0,55–0,90 24 июля – 6 августа Созревание 0,20–0,30 0,10–0,45 15 августа и позднее Предуборочный период 0,15–0,20 0,05–0,30 Источник: данные исследований авторов. черкнула участки, где происходил переход к цветению на фоне общего снижения индекса. Таким образом, фиксированная шкала давала возможность сравнить абсолютный уровень NDVI по сезонам, а динамически-контрастированная – обнаружить отклонения и аномалии развития внутри поля в каждый конкретный момент.

В табл. приведены медианные значения и диапазоны NDVI (5–95%) для ключевых фенологических этапов.

Полученная информация имеет прямую практическую ценность для планирования дифференцированных операций и наземной верификации агроэкологических ограничений при возделывании сельскохозяйственных культур, а также оптимизации процесса отбора проб почв для проведения агрохимических анализов, фитосанитарного мониторинга и аэрофотосъемки с использованием БПЛА. Для корректировки агротехники в ходе сезона по картам неоднородности и кластерам NDVI возможно планирование дифференцированных операций в рамках агротехнологий. Также неоднородность NDVI частично позволяет идентифицировать причины неоднородности развития растений: например, выявление переувлажненных мест позволит предпринять меры в будущем – от мелиорации (дрена- жа) до изменения схемы применения удобрений. В перспективе интеграция таких данных в систему точного земледелия (например, создание карт заданий для тракторов с дифференцированным внесением) поможет еще больше увеличить рентабельность при возделывании полевых культур.

Выводы и предложения

Использование спутниковых данных Sentinel-2 при мониторинге посевов представляет собой инструмент предварительной оценки пространственной неоднородности агроландшафтов. Пригодные к анализу сцены, несмотря на ограниченное количество вследствие облачности и сниженного пространственного разрешения, позволяют установить общие тенденции и выделить зоны с отклонениями в росте и развитии культуры. Получаемая информация обеспечивает хороший уровень детализации неоднородности развития растений внутри одного ареала агроландшафта, но, тем не менее, требует привлечения наземных обследований или более детальной съемки. В этих условиях спутниковый мониторинг следует рассматривать в качестве вспомогательного источника данных, дополняющего последующие этапы агроэкологического анализа.