Технология определения оптимального использования проблемных объектов природопользования на основе управления геоинформацией в целях пространственного развития территории

V.N. Maksimova, , T.A. Makarovskikh, , South Ural State University, Chelyabinsk, Russia

Цифровая трансформация агропромышленной отрасли началась еще в начале 2000-х годов и наблюдается в течение 10–15 лет в агропромышленном комплексе (АПК) по всему миру. Современные технологии точного земледелия включают в себя использование не только GPS, ГИС, но и технологий оценки урожайности, систем автопилотирования, дистанционного зондирования земли и других инструментов. За это время разработано немало подходов для контроля состояния сельскохозяйственных угодий, автоматизации ухода за культурами, высокоточного внесения удобрений, мониторинга здоровья животных и оптимизации работы сельскохозяйственной техники.

Тем не менее инвентаризация сельскохозяйственных угодий не проводилась более 30 лет, и, следовательно, актуальна разработка методов оценки проблемных объектов природопользования с целью определения направлений их дальнейшего применения, поскольку ресурсосберегающее земледелие предполагает оптимизацию процессов и внедрение инноваций для улучшения эффек- тивности вариантов ведения хозяйства [1]. Основной целью внедрения технологий точного земледелия является изменение процесса принятия решения и, как следствие, получение существенного повышения эффективности управления агротехническими предприятиями, уменьшения загрязнения окружающей среды, роста доходов сельхозпроизводителей и улучшения качества продукции [2].

Можно много говорить о преимуществах внедрения технологий точного земледелия, но в настоящее время в России накоплен сравнительно небольшой опыт применения таких технологий, большинство агропроизводителей используют иностранные решения, доступ к которым во многом зависит от текущей политической ситуации в государстве. Следовательно, развитие отечественных решений в области ТЗ является перспективной задачей. Определенные наработки в области точного земледелия начали появляться в РФ в 2010-х годах. Большинство таких разработок являются академическими и посвящены методологии формирования технологий точного земледелия [3]. Если подойти с другой стороны, то появился и ряд компаний по продвижению на отечественный рынок технических средств точного земледелия, а также созданию отечественных технических средств и программного обеспечения [4-6].

Несмотря на наличие внушительных успехов в цифровизации отрасли, системная инвентаризация сельскохозяйственных угодий не проводилась более 30 лет и, следовательно, актуальна разработка методов оценки проблемных объектов природопользования с целью определения направлений их дальнейшего применения. Поэтому разработка технологии автоматизированного определения оптимального использования проблемных объектов природопользования в целях рационального пространственного развития территории является актуальной задачей. Ее решение позволит снизить экологическую нагрузку на природу внедрением энергосберегающей экологически безопасной технологии производства товаров и обеспечить промышленность или население новым видом информационных услуг и т. п.

1.    Описание общей идеи интеллектуального модуля

Рассмотрим технологию автоматизированного определения наиболее эффективного использования проблемных объектов природопользования в целях пространственного развития территории с использованием инструментов ландшафтного планирования и искусственного интеллекта.

Сущность технологии состоит в разработке автоматизированных подсистем (модулей) оценки экономической привлекательности брошенных объектов природопользования (земли сельскохозяйственного назначения, земли лесного фонда, водных объектов). Выявление брошенных объектов основано на обработке структурированной базы данных. Оценка экономической привлекательности брошенных объектов природопользования основана на применении алгоритмов искусственного интеллекта и геопространственного анализа. Данные методы лежат в основе инструментария ландшафтно-рекреационного подхода.

Предложенная технология [7] включает в себя разработку и применение итоговой геоинфор-мационной системы пространственного развития территории с учетом рекомендуемого использования проблемных объектов природопользования на основе ландшафтно-рекреационного подхода и алгоритмов искусственного интеллекта. Благодаря оценке экономической привлекательности проблемных объектов природопользования система позволяет рассчитать доходы региона от рационального использования брошенных объектов природопользования (сдача в аренду, передача в другие категории земель, привлечение инвестиционных проектов и т. д.).

Суть технологии основана:

• -    на разработке автоматизированных подсистем обработки данных по оценке состояния объектов природопользования;

• -    разработке автоматизированной подсистемы учета больших данных оценки рекреационного использования объектов природопользования и социально-экономической составляющей в целях пространственного развития территории;

• -    разработке автоматизированных подсистем оценки ландшафтных свойств объектов природопользования: земель, водных объектов, лесов;

• -    разработке автоматизированных подсистем оценки экономической привлекательности: земель, водных объектов, лесов.

Полный цикл анализа объектов землепользования состоит из трех этапов.

• 1.    Анализ спутникового снимка [8] и выявление потенциальных проблемных объектов [9–12].

• 2.    Уточнение результатов, полученных на первом этапе путем съемки с использованием БПЛА либо проведения экспертной оценки [13, 14].

• 3.    Формирование рекомендаций по дальнейшему использованию выявленных проблемных объектов.

2.    Исходные данные для функционирования интеллектуального модуля

Потенциальные проблемы участков землепользования можно подразделить на следующие категории: поля, заросшие хвойной либо лиственной растительностью; заболоченные водоемы; лесные массивы после пожара.

Для выявления всех типов объектов достаточно использовать нормализованные индексы NDVI (для работы с данными по полям и лесам) и NDWI (для анализа данных о водных объектах).

Индекс NDVI (Normalized Difference VegetationIndex) является одним из наиболее важных и значимых индексов при исследовании качества вегетации, он описывает плотность растительности на территории на основе спутниковых либо мультиспектральных снимков. Значение индекса варьируется от –1 до 1. Причем чем выше значение индекса, тем более развитой растительности он соответствует. Для анализа растительности индекс NDVI всегда имеет положительные значения от 0,2 до 1 [15].

Нормализованный разностный водный индекс (NDWI, Normalized Difference Water Index) используется для мониторинга лесных пожаров, поиска полезных ископаемых и так далее. Значения индекса также находятся в диапазоне от –1 до 1. Обычный диапазон для зеленой растительности составляет от –0,1 до 0,4. Считается, что водные объекты принимают значения от 0,2 до 1, объекты, не содержащие влагу, принимают значения меньше 0.

Как было отмечено в предыдущем разделе, система использует геопространственные данные, находящиеся в открытом доступе: мультиспектральные снимки из космоса со спутника Santinel. Изображения со спутника хранятся в формате GeoTIFF, который представляет собой многослойное растровое изображение, состоящее из миллионов пикселей. Каждый слой этого изображения соответствует одному из каналов съемки. Снимок представляет собой бесшовное мозаичное цветосинтезирующее изображение, в ряде случаев часть пикселей этого изображения перекрыта облаками, что может привести к получению ряда погрешностей анализа. С целью снижения погрешности используются снимки с характеристиками, приведенными в [9]. В частности, используются снимки, охватывающие только вегетационный период в Уральском регионе (с мая по сентябрь), периодичность съемки – 1–5 суток (зависит от количества и качества снимков, получаемых со спутника), диапазон углов Солнца – 20–90 градусов; угол визирования – 40/40; допустимый процент облачности – 15 % (данное ограничение резко уменьшает количество пригодных для анализа снимков для исследуемого региона).

Информация о контурах объектов интереса (сельскохозяйственных угодьях, принадлежащих определенному муниципальному образованию) хранится в базе данных системы «Урал ГИС-Агро» в бинарном формате [12].

После извлечения пикселей снимка, лежащих внутри контура исследуемого полигона, получим матрицу значений вегетационного индекса для каждого диапазона, используя формулу для вычисления индексов NDVI либо NDWI. Выбор индекса зависит от детектируемой проблемы.

Для детекции проблемы потребуются пороговые значения, находящиеся в диапазоне [a, b], где a – нижнее пороговое значение для исследуемой проблемы, а b – верхнее пороговое значение. Значения a и b определяются опытным путем с помощью той же технологии, которая описывается для детекции проблемных объектов.

3.    Описание модуля для детектирования проблемных участков природопользованияс использованием ДЗЗ

Общая структура модуля детекции проблемных объектов [7, 12] природопользования и определения пороговых значений приведена на рисунке.

Структура интеллектуального модуля для детекции проблемных объектов природопользования The structure of an intelligent module for detecting problematic environmental management objects

Входными данными являются бесшовные снимки за период, контуры объектов, для которых необходимо рассчитать показатель, исследуемый индекс (номера каналов спутникового снимка для проведения расчетов), диапазон пороговых значений, вне которого объект не считается проблемным.

Интеллектуальный модуль позволяет разбить по пикселям обрезанное по контуру объекта интереса спутниковое изображение, рассчитать индекс для каждого пикселя, определить процент пикселей, попавших в проблемный диапазон (без учета пустых значений). В результате будет сформирован список попавших в проблемный диапазон объектов и каждому проблемному объекту будет присвоен класс проблемы: заросшее хвоей либо лиственными лесами, заболоченный объект либо лес после пожара.

Описанный модуль [12] разработан на языке Python 3, в котором имеется инструментарий для работы с геоинформацией. В частности, имеются библиотеки, обеспечивающие возможность получения из мультиспектрального снимка фрагмента, соответствующего полигону, заданному в бинарном формате. В частности, использована библиотека Shupely, которая преобразует данные из бинарного формата во внутренние объекты (полигоны либо линии) и использует их для обрезки изображений. На выходе получим изображение в матричном представлении для каждого полигона, хранящегося в базе данных.

Данные значения являются приблизительными. Для точного понимания, что означают те или иные данные, следует учитывать конкретный сезон, тип растительности, сорт сельскохозяйственной культуры и даже региональные особенности произрастания растения, а также особенности проведения съемки. Последнее не всегда представляется возможным, что влечет повышение погрешности проводимых вычислений.

Несмотря на простоту выполняемых действий, данная процедура при отсутствии автоматизации определения вегетационного индекса и анализа имеющихся в базе данных полигонов практически не выполнима для региона, поскольку объем анализируемых данных велик и составляет порядка 107 объектов. По той же причине невозможен и осмотр всех сельскохозяйственных, лесных и водных угодий. Помимо всего прочего, при осмотре невозможно количественно оценить степень зарощенности либо заболоченности отдельно взятого участка.

Заключение

Рассмотренный в статье интеллектуальный модуль, являющийся частью технологии определения оптимального использования проблемных объектов природопользования, позволяет в дальнейшем решить проблему сбалансированного развития территории на основе геопространственного анализа и алгоритмов искусственного интеллекта. Сущность данных подходов заключается в применении уникальной технологии автоматизированного определения наиболее эффективного использования проблемных объектов природопользования в целях пространственного развития территории. Применение данной технологии позволит решить проблему, связанную с обеспечением устойчивого и сбалансированного пространственного развития, являющимся одной из стратегических целей России, что следует из Стратегии пространственного развития Российской Федерации на период до 2025 года.