Оценка космических снимков разного спектрального разрешения для анализа состояния растительного покрова

DOI: 10.35595/2414-9179-2025-2-31-5-20

Посмотреть или загрузить статью (Rus)

Об авторах

Е.А. Балдина

Московский государственный университет имени М.В. Ломоносова, географический факультет, кафедра картографии и геоинформатики,
Ленинские горы, д. 1, Москва, Россия, 119991,
E-mail: baldina@geogr.msu.ru

П.Г. Илюшина

Московский государственный университет имени М.В. Ломоносова, географический факультет, кафедра картографии и геоинформатики,
Ленинские горы, д. 1, Москва, Россия, 119991,
E-mail: ilyushinapg@my.msu.ru

П.К. Васильев

Московский государственный университет имени М.В. Ломоносова, географический факультет, кафедра картографии и геоинформатики,
Ленинские горы, д. 1, Москва, Россия, 119991,
E-mail: a49t@yandex.ru

Аннотация

Увеличение в последнем десятилетии числа гиперспектральных съемочных систем обусловливает необходимость поиска методических подходов к их обработке как независимого источника информации о состоянии объектов земной поверхности, так и в комплексном анализе совместно с другими данными. Анализ выполнялся по двум парам изображений территории Ближнего Подмосковья, полученным в одни и те же сроки: PRISMA 22.06.2021 и 25.08.2022, Sentinel-2 23.06.2021 и 24.08.2022 с близким пространственным разрешением: 20 м для снимков Sentinel-2 и 30 м для PRISMA, но различающихся по спектральному разрешению. Оба срока характеризовались в определенной степени аномальными погодными условиями в предшествующие съемке периоды: высокие температуры в оба срока, но различающееся количество осадков (в августе 2022 г. их было рекордно мало, отмечалась засуха). Такая близость дат съемки и сходное пространственное разрешение позволили провести сравнительный анализ двух типов данных для выявления стресса растительного покрова, наблюдаемого в условиях засухи. Состояние растительного покрова в каждый из сроков оценивалось по снимкам обеих систем путем вычисления различных индексов, характеризующих как общую биомассу (NDVI), так и содержание отдельных наиболее важных биохимических показателей (влагосодержания MSI, пигментов — антоцианов и каротиноидов), указывающих на проявление стресса растительности. Полученные значения индексов NDVI и MSI, рассчитанные по данным Sentinel-2, существенно ниже полученных на основе обработки данных PRISMA, что, возможно, связано с различиями в пространственном разрешении и ширине спектральных каналов. Сравнение индексов NDVI и MSI по каждой из съемочных систем между двумя сроками показывают сходную ситуацию снижения или увеличения значений как реакцию на разные погодные условия — например, на засуху в августе 2022 г. Наблюдается некоторое уменьшение зеленой массы и влагосодержания, особенно заметное для травянистой растительности и лиственных лесов; при этом для хвойных лесов этот эффект незаметен. Индексы содержания антоцианов и каротиноидов однозначных изменений между сроками съемок не показывают.

Ключ. слова

гиперспектральные снимки, индексы состояния растительности PRISMA, Sentinel-2, погодные условия

Список литературы

  1. Митрофанов Е.М. Разработка методики геопространственного анализа деградации лесной растительности по гиперспектральным данным дистанционного зондирования. Автореферат диссертации кандидата технических наук. Москва, 2013. 24 с.
  2. Растительность Европейской части СССР. Академия наук СССР, Ботанический институт им. В.Л. Комарова. Л.: Наука, 1980. 429 с.
  3. Растительность Московской области. Масштаб 1:200 000. Пояснительный текст и легенда к карте. М.: ЭКОР, 1996.
  4. Рысин Л.П. Леса Подмосковья. Отделение биологических наук РАН, Институт лесоведения. М.: Товарищество научных изданий КМК, 2012. 255 с.
  5. Саворский В.П., Кашницкий А.В., Константинова А.М., Балашов И.В., Крашенинникова Ю.С., Толпин В.А., Маклаков С.М., Савченко Е.В. Возможности анализа гиперспектральных индексов в информационных системах дистанционного мониторинга семейства «Созвездие-Вега». Современные проблемы дистанционного зондирования Земли из космоса, 2016. Т. 13. № 3. С. 28–45. DOI: 10.21046/2070-7401-2016-13-3-28-45.
  6. Тимофеев В.П. Леса Московской области. Леса СССР. В 5 томах. Т. 2. Подзона южной тайги и смешанных лесов. М.: Наука, 1966. С. 277–314.
  7. Черепанов А.С., Дружинина Е.Г. Спектральные свойства растительности и вегетационные индексы. Геоматика, 2009. № 3. С. 28–32.
  8. Acito N., Diani M., Corsini G. PRISMA Spatial Resolution Enhancement by Fusion with Sentinel-2 Data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2022. V. 15. P. 62–79. DOI: 10.1109/JSTARS.2021.3132135.
  9. Alicandro M., Candigliota E., Dominici D., Immordino F., Masin F., Pascucci N., Quaresima R., Zollini S. Hyperspectral PRISMA and Sentinel-2 Preliminary Assessment Comparison in Alba Fucens and Sinuessa Archaeological Sites (Italy) Land (Basel) 11.2022. DOI: 10.3390/land11112070.
  10. Belgiu M., Marshall M., Boschetti M., Pepe M., Stein A., Nelson A. PRISMA and Sentinel-2 Spectral Response to the Nutrient Composition of Grains. Remote Sensing of Environment, 2023. V. 292. P. 113567. DOI: 10.1016/j.rse.2023.113567.
  11. Caputi E., Delogu G., Patriarca A., Perretta M., Mancini G., Boccia L., Recanatesi F., Ripa M.N. Comparison of Tree Typologies Mapping Using Random Forest Classifier Algorithm of PRISMA and Sentinel-2 Products in Different Areas of Central Italy. Remote Sensing, 2025. V. 17. P. 356. DOI: 10.3390/rs17030356.
  12. De Luca G., Carotenuto F., Genesio L., Pepe M., Toscano P., Boschetti M., Miglietta F., Gioli B. Improving PRISMA Hyperspectral Spatial Resolution and Geolocation by Using Sentinel-2: Development and Test of an Operational Procedure in Urban and Rural Areas. ISPRS Journal of Photogrammetry and Remote Sensing, 2024. V. 215. P. 112–135. DOI: 10.1016/j.isprsjprs.2024.07.003.
  13. Gitelson A.A., Keydan G.P., Merzlyak M.N. Three-Band Model for Noninvasive Estimation of Chlorophyll, Carotenoids, and Anthocyanin Contents in Higher Plant Leaves. Geophysical Research Letters, 2006. V. 33. P. LL11402. DOI: 10.1029/2006GL026457.
  14. Kim M., Park S., Anderson C., Stensaas G.L. System Characterization Report on PRecursore IperSpettrale della Missione Applicativa (PRISMA). Chapter K of: Ramaseri Chandra S.N., comp., System Characterization of Earth Observation Sensors. U.S. Geological Survey Open-File Report, 2021. 28 p. DOI: 10.3133/ofr20211030K.
  15. Marshall M., Nelson A., Belgiu M., Boschetti M., Pepe M., Stein A. Field-Level Crop Yield Estimation with PRISMA and Sentinel-2. ISPRS Journal of Photogrammetry and Remote Sensing, 2022. V. 187. P. 191–210. DOI: 10.1016/j.isprsjprs.2022.03.008.
  16. Niroumand-Jadidi M., Bovolo F., Bruzzone L. Water Quality Retrieval from PRISMA Hyperspectral Images: First Experience in a Turbid Lake and Comparison with Sentinel-2. Remote Sensing, 2020. V. 12. P. 3984. DOI: 10.3390/rs12233984.
  17. Panwar E., Singh D., Kumar Sharma A., Kumar H.A. Monitoring Wheat Crop Biochemical Responses to Random Rainfall Stress Using Remote Sensing: A Multi-Data Approach. IEEE Access, 2024. V. 12. P. 174144–174157. DOI: 10.1109/ACCESS.2024.3494867.
  18. Roberts D., Roth Keely L., Wetherley E., Susan K., Meerdink S., Ryan L., Perroy R. Hyperspectral Vegetation Indices Book Chapter “Hyperspectral Indices and Image Classifications for Agriculture and Vegetation”, 2nd Edition. CRC Press, 2018.
  19. Shaik R.U., Periasamy S., Zeng W. Potential Assessment of PRISMA Hyperspectral Imagery for Remote Sensing Applications. Remote Sensing, 2023. V. 15. P. 1378. DOI: 10.3390/rs15051378.
  20. Vangi E., D’Amico G., Francini S., Giannetti F., Lasserre B., Marchetti M., Chirici G. The New Hyperspectral Satellite PRISMA: Imagery for Forest Types Discrimination. Sensors, 2021. V. 21. P. 1182. DOI: 10.3390/s21041182.
  21. Xi X., Chen M., Wang Y., Yang H. Band-Optimized Bidirectional LSTM Deep Learning Model for Bathymetry Inversion. Remote Sensing, 2023. V. 15. P. 3472. DOI: 10.3390/rs15143472.
  22. Zeng Y., Hao D., Huete A., Dechant B., Berry J., Chen M.J., Joiner J., Frankenberg Ch., Bond-Lamberty B., Ryu Y., Xiao J., Asrar R.G., Chen M. Optical Vegetation Indices for Monitoring Terrestrial Ecosystems Globally. Nature Reviews Earth & Environment, 2022. V. 3. P. 477–493. DOI: 10.1038/s43017-022-00298-5.

Для цитирования: Балдина Е.А., Илюшина П.Г., Васильев П.К. Оценка космических снимков разного спектрального разрешения для анализа состояния растительного покрова. ИнтерКарто. ИнтерГИС. M.: Географический факультет МГУ, 2025. Т. 31. Ч. 2. С. 5–20. DOI: 10.35595/2414-9179-2025-2-31-5-20

For citation: Baldina E.A., Ilyushina P.G., Vasiliev P.K. Evaluation of satellite images with different spectral resolution for analyzing the vegetation cover condition. InterCarto. InterGIS. Moscow: MSU, Faculty of Geography, 2025. V. 31. Part 2. P. 5–20. DOI: 10.35595/2414-9179-2025-2-31-5-20 (in Russian)