УСТОЙЧИВОСТЬ ВЕГЕТАЦИОННЫХ ИНДЕКСОВ К СНИЖЕНИЮ ПРОСТРАНСТВЕННОГО РАЗРЕШЕНИЯ СПУТНИКОВЫХ СНИМКОВ В РАЗЛИЧНЫХ ЛАНДШАФТНЫХ УСЛОВИЯХ

Автоматизированный анализ растительного покрова на основе спутниковых данных является фундаментом современного мониторинга сельскохозяйственных угодий, лесных экосистем, городских зелёных зон и водных ресурсов. Основным инструментом количественной оценки состояния растительности выступают вегетационные индексы, вычисляемые по отражательной способности в различных спектральных каналах. Однако практическое применение индексов сталкивается с проблемой масштабирования: данные разных спутниковых платформ обладают различным пространственным разрешением, что напрямую влияет на степень смешивания пикселей и, как следствие, на стабильность расчётных значений.

Снижение разрешения приводит к усреднению спектральных сигналов внутри агрегированного пикселя, что особенно критично в ландшафтах с высокой пространственной гетерогенностью [5, с. 8]. Как отмечают исследователи, при анализе вегетационных индексов в условиях полупустынных ландшафтов необходимо учитывать неоднородность почвенного фона, которая может искажать спектральный отклик растительности [1, с. 118]. При переходе от данных сверхвысокого разрешения (БПЛА, <1 м) к спутниковым данным (10–30 м) наблюдается нелинейное изменение значений индексов, требующее калибровки [4, с. 53]. Несмотря на широкую распространённость вегетационных индексов, систематическое сравнение их устойчивости к изменению пространственного масштаба в репрезентативных природных и антропогенных условиях остаётся недостаточно изученным.

В качестве эталонных данных использовались снимки Sentinel-2 (разрешение 10 м, каналы RED и NIR). Для оценки устойчивости привлекались данные Landsat-8 (30 м) и MODIS (500 м). Снимки отбирались за апрель 2022 г. для обеспечения сопоставимости фенологической фазы. Исследование охватило семь зон интереса площадью 2 квадратных километра каждая:

1. Неоднородное сельское хозяйство (Пампа, Аргентина).
2. Однородное сельское хозяйство (Центральная Калифорния, США).
3. Городская застройка (Москва, Россия).
4. Умеренный смешанный лес (Баварский лес, Германия).
5. Тропический лес (Амазония, Бразилия).
6. Горная система (Швейцарские Альпы).
7. Болотистая местность (Флорида, США).

Алгоритмически реализованы восемь индексов: NDVI, SAVI (L=0,5), MSAVI, EVI, EVI2, GNDVI, ARVI, NDWI. Вычисления проводились в среде Google Earth Engine, агрегированные результаты сохранялись в PostgreSQL. В качестве эталона принимались значения, полученные по данным Sentinel-2. Отклонение при снижении разрешения оценивалось как относительная погрешность среднего нормализованного значения индекса в области.

В регионах с минимальной мозаичностью (однородное сельское хозяйство, умеренный лес) все индексы продемонстрировали высокую стабильность. При переходе к 30 м погрешность не превышала 0,05%, а при 500 м – 0,3%. Это объясняется преобладанием единого спектрального отклика в пределах агрегированного пикселя, что минимизирует эффект смешивания.

Особый интерес представляет тропический лес. Несмотря на сложную вертикальную структуру крон, горизонтальная однородность биомассы обеспечила погрешность < 0,1% для NDWI, GNDVI и SAVI даже при 500 м. NDWI, традиционно чувствительный к зелёному каналу, в данном сценарии показал одни из лучших результатов, что подтверждает его применимость для оценки влажности и биомассы в сплошных лесных массивах. EVI и ARVI, напротив, продемонстрировали небольшое отклонение (до 0,4% при 500 м), связанное с избыточной атмосферной коррекцией в условиях высокой влажности и аэрозольной нагрузки, характерной для тропиков.

Городская застройка и горные системы. Данные сценарии характеризуются резкими спектральными контрастами и сложной топографией. В городской застройке Москвы влияние асфальта, бетона, теней и фрагментированных зелёных зон привело к усилению эффекта смешивания пикселей. Индексы без коррекции почвенного/урбанистического фона показали рост погрешности: NDVI – до 0,6% (30 м) и 0,9% (500 м), GNDVI и NDWI – до 1,2–1,4% при 500 м. Чувствительность NDWI к зелёному каналу в сочетании с фрагментацией растительности вызвала значительное отклонение.

SAVI и MSAVI вновь продемонстрировали наименьшую ошибку (< 0,3% при 500 м), так как поправочный коэффициент L эффективно компенсирует влияние ярких не-вегетационных поверхностей, спектрально близких к обнажённой почве.

В горных системах (Швейцарские Альпы) к гетерогенности добавился топографический эффект: различия в освещённости склонов, отбрасываемые тени и высотная поясность растительности. Как показано в исследованиях картографирования Большого Кавказа, в горных системах применение индексов без учёта топографических эффектов (освещённость склонов, тени) приводит к систематическим ошибкам до 15–20% [2, с. 104]. При 30 м большинство индексов сохранили точность в пределах 0,2–0,4%. Однако при 500 м ARVI показал скачок погрешности до 1,0%, что связано с его зависимостью от синего канала, сильно искажаемого вариациями освещённости и атмосферного рассеяния в сложных рельефах. MSAVI и SAVI остались устойчивыми (< 0,4%), подтверждая свою пригодность для мониторинга в горных условиях.

Болотистая местность Флориды представляет собой мозаичную экосистему с сочетанием открытых водоёмов, влажной почвы, кустарников и островков древесной растительности. Высокая влажность почвы изменяет спектральную отражательную способность в красном и ближнем ИК-диапазонах, а контраст между водной поверхностью и активно вегетирующей растительностью создаёт резкие градиенты внутри пикселя.

При разрешении 30 м погрешность большинства индексов оставалась в диапазоне 0,2–0,5%. При переходе к 500 м наблюдается критический рост отклонений для EVI (до 1,1%) и EVI2 (до 1,3%). Это объясняется их повышенной чувствительностью к высоким значениям вегетации и сложной формулой нормализации: при агрегации пикселей контраст между минимальной и максимальной биомассой усредняется, что приводит к нелинейному искажению выходных значений. NDWI также показал высокую ошибку (1,2%), так как смешивание водных и растительных пикселей резко меняет соотношение GREEN/NIR.

SAVI и MSAVI сохранили погрешность на уровне 0,1–0,2% даже при 500 м, что подтверждает их физическую обоснованность в условиях изменчивого почвенного фона и высокой ландшафтной мозаичности.

Результаты агрегированы в таблице 1, где представлены максимальные отклонения индексов при снижении разрешения.

Таблица 1.

Максимальная относительная погрешность индексов при снижении разрешения (%, относительно Sentinel-2 10 м)

 Проведённое исследование показало, что устойчивость вегетационных индексов к снижению пространственного разрешения не является универсальной характеристикой и определяется взаимодействием спектральной формулы индекса и ландшафтной гетерогенности. Коррекция влияния почвы в индексах SAVI и MSAVI обеспечивает устойчивость расчётов даже при высокой мозаичности растительного покрова [3, с. 179]. Эти индексы продемонстрировали наименьшую чувствительность к агрегации пикселей, сохраняя погрешность < 0,6% даже в наиболее сложных условиях (болотистые территории, городская застройка). Индексы, разработанные для повышения чувствительности к биомассе или атмосферной коррекции (EVI, EVI2, ARVI, NDWI), показывают высокую точность при разрешениях 10–30 м, но их применение на данных MODIS-подобного масштаба требует обязательного учёта типа ландшафта и может приводить к систематическим отклонениям до 1,4%.

Результаты подтверждают необходимость контекстно-зависимого выбора вегетационного индекса. Для задач оперативного мониторинга на региональном уровне рекомендуется использовать MSAVI или SAVI как наиболее устойчивые.