1. Введение
Современное сельское хозяйство переживает этап глубокой цифровой трансформации, где ключевая роль отводится технологиям дистанционного зондирования Земли (ДЗЗ) и геоинформационным системам (ГИС) [1], [2]. Эти инструменты формируют основу для эффективного управления земельными ресурсами, оптимизации производства и принятия точных управленческих решений. Использование ДЗЗ и ГИС позволяет перейти к принципам точного земледелия, где внесение удобрений, средств защиты растений, а также использование мелиоративных приёмов осуществляется дифференцированно, что не только снижает производственные затраты, но и минимизирует негативное воздействие на окружающую среду, способствует росту продуктивности и экономической эффективности агроценозов, укреплению продовольственной безопасности [2], [3].
В России цифровизация агропромышленного комплекса (АПК) определена как стратегическое направление. Распоряжение Правительства РФ от 06.03.2026 № 436-р определяет приоритетные задачи: достижение «цифровой зрелости» отрасли и импортозамещение ПО [4]. Федеральный закон от 08.08.2024 № 299-ФЗ предусматривает создание государственной информационной системы цифровых сервисов в сфере сельского хозяйства [5].
В Красноярском крае сельскохозяйственные земли занимают около 15% территории и отличаются значительной протяженностью и неоднородностью, что обусловливает необходимость создания эффективных систем агроэкологического мониторинга. В рамках данного направления сотрудниками Красноярского научного центра СО РАН ведутся исследования по созданию информационно-вычислительного обеспечения для агроэкологического мониторинга.
Цель данной работы — представить концептуальную и методическую основу цифровой платформы агроэкологического мониторинга для агроландшафтов Красноярского края и продемонстрировать ее возможности на примере решения прикладных задач в опытно-производственных хозяйствах региона.
2. Методы и принципы исследования
Апробация платформы проведена на территории опытно-производственных хозяйств Федерального исследовательского центра «Красноярский научный центр СО РАН»: ОПХ «Минино» (Емельяновский район), ОПХ «Курагинское» (Курагинский район), ОПХ «Михайловское» (Ужурский район) и Зареченский стационар (Тюхтетский район).
Информационно-вычислительное обеспечение разработанной платформы аграрного мониторинга представляет собой комплекс взаимосвязанных программных компонент – от набора программных модулей и сервисов для автоматизированного сбора и предварительной обработки исходной информации до подсистемы интеграции данных агромониторинга, реализованной в трехуровневой архитектуре, объединяющей клиентское веб-приложение, серверный REST API и гетерогенное хранилище данных. Благодаря разделению логического представления данных и физических механизмов их получения, обеспечивается масштабируемость системы при работе с разнородными пространственно-временными данными, включая спутниковые сцены, крупные БПЛА-растры ортофотопланов (до 100 ГБ) и тематические карты, без необходимости приведения всех источников к единому формату хранения.
Системы сбора исходных данных построены на принципе интеграции трех уровней мониторинга, каждый из которых решает свои задачи и имеет свою периодичность обновления.
Верхний уровень: Спутниковый мониторинг (ДЗЗ) служит для глобального охвата территорий и ретроспективного анализа. Привлечение потоковых данных из открытых архивов (Sentinel, Landsat) и метеорологических спутниковых платформ (NOAA, S-NPP) позволяет эффективно решать задачи крупномасштабного мониторинга и верификации классификации земель [6]. К основным задачам данного уровня относятся: оценка состояния вегетации с помощью спектральных индексов (NDVI, NDRE, GCI, VARI) для выявления дефектов посевов и зон неоднородности; анализ динамики накопления влаги и прецизионное определение границ полей. Для анализа геоморфометрических особенностей макрорельефа территории исследования (расчет уклонов, экспозиций и структуры водосборов) привлечена глобальная цифровая модель рельефа FABDEM (Forest And Buildings removed Copernicus DEM) с пространственным разрешением 30 м, очищенная от искажающего влияния растительного покрова и антропогенных объектов [7]. Для анализа температуры земной поверхности использовались стандартные продукты (LST) MOD11A1 съемочной системы Terra MODIS. Расчет комплексных агроклиматических показателей, оценка рисков (засухи, заморозки) и интерпретация метеоданных реализованы на основе продуктов международной спутниковой миссии Global Precipitation Measurement (GPM) и глобальной численной модели прогноза погоды Global Forecast System (GFS). Периодичность обновления динамических данных составляет от нескольких часов до 2–8 суток (в зависимости от съемочной системы), тогда как параметры макрорельефа (FABDEM) являются статичными.
Средний уровень: Беспилотный мониторинг (БПЛА) обеспечивает высокую детализацию и оперативность на конкретных участках. Авиационный мониторинг осуществляется с применением БПЛА miniSIGMA (самолетного типа) и DJI Matrice 350 RTK (квадрокоптер), оснащенных фотоаппаратом Sony RX1R II, мультиспектральными камерами MicaSense RedEdge-MX и FigSpec FS-50/30. Это позволяет создавать ортофотопланы и цифровые модели рельефа с разрешением до 5 см/пикс. Основные возможности: сверхточное сканирование для подсчета всходов; построение точных 3D-моделей рельефа для прогнозирования стоков воды и эрозии; выявление очагов болезней, вредителей и сорных трав. Запуск БПЛА осуществляется несколько раз за сезон в критические фазы развития растений.
Нижний уровень: Наземный мониторинг направлен на диагностику почвенного плодородия и оценку физиологического состояния самих растений. Его результаты используются для валидации данных ДЗЗ. Исследования проводятся на базе ОПХ ФИЦ КНЦ СО РАН с применением различных портативных приборов (N-тестер SPAD-502plus, датчики температуры и влажности TR-2V, измеритель влажности почвы FieldScoutTDR 350, и проч.), последующей обработкой данных в лабораторных условиях (агрохимический анализ образцов почвы, дендрохронологические исследования для оценки возраста деревьев и кустарников, растущих на заброшенных полях).
3. Основные результаты
Апробация разработанной цифровой платформы агроэкологического мониторинга подтвердила ее эффективность для решения широкого спектра прикладных задач.
3.1. Оценка природно-ресурсного потенциала (ПРП)
ПРП агроландшафта представляет собой интегральную характеристику его продуктивности, определяемую климатическими, почвенными и рельефными условиями. Оценка ПРП необходима для обоснованного зонирования земель, проектирования адаптивно-ландшафтных систем земледелия и планирования противоэрозионных мероприятий. ПРП включает агроклиматические показатели (теплообеспеченность — сумма активных температур выше 10°C, влагообеспеченность — годовая сумма осадков) и бонитет почв [10]. Для учета пространственной неоднородности введены поправочные коэффициенты, полученные на основе ЦМР: крутизна и экспозиция склонов, степень деградации почв. Это позволило не только определить наиболее продуктивные участки и провести точную классификацию земель по степени деградации, но и рассчитать для каждого поля севооборота дифференцированную балльную оценку ПРП (варьирует от 39,1 до 46,7 баллов), что создает фундамент для внедрения адаптивно-ландшафтного земледелия.
3.2. Агроморфологический анализ рельефа
По данным съемки с БПЛА ОПХ «Курагинское» построена цифровая модель рельефа (ЦМР). На ее основе подготовлена карты потенциала плоскостной эрозии (LS-фактор), топографического индекса влажности (TWI), и проч. Анализ данных позволил выявить прямую взаимосвязь между параметрами рельефа, содержанием гумуса и запасами продуктивной влаги [8]. ЦМР являются базой для оптимизации структуры севооборотов, в частности, для выявления участков полей с уклоном свыше 5 градусов для их вывода из севооборота (рисунок 1).
Карта уклонов, построенная по данным БПЛА, позволяет оценить неоднородность рельефа на отдельном поле
Анализ данных в разрезе хозяйства и отдельного поля
Собранные данные проходят комплексную обработку для получения управленческих решений. В разрезе хозяйства осуществляется анализ продуктивности полей, урожайности за предыдущие годы, севооборотов для планирования структуры посевных площадей. Для отдельного поля проводится детальный анализ вегетационных индексов, тепловых карт, влажности, рельефа и метеоданных для определения оптимальных сроков посева, внесения удобрений и прогнозирования урожайности (рисунок 2).
Пример анализа данных в разрезе отдельного поля: вегетационные индексы (NDVI), осадки, среднесуточная температура
Функциональные возможности платформы включают: автоматический импорт и обработку спутниковых данных; расчет вегетационных индексов (NDVI, GCI, VARI, SAVI, MSAVI2); предоставление погодных данных и прогноза; интеграцию проектов QGIS; инструменты работы с пространственными данными; аналитические расчеты показателей мониторинга и их отклонение от средних многолетних значений.
3.4. Средства точного земледелия и управления урожаем
На основе результатов агроморфологического анализа и карт природно-ресурсного потенциала разработано научно-методическое обеспечение для дифференцированного управления агротехнологиями. Для каждого контура поля формируются адаптированные стратегии использования, специализированные агротехнологии и противоэрозионные мероприятия. Созданы методики дистанционной диагностики потребности в азотных подкормках и сортовой дифференциации культур по группам спелости.
Благодаря динамической мультиспектральной съемке с БПЛА в течение вегетационного периода осуществляется отслеживание фенологии агроценозов, выявление ключевых фаз для сортовой идентификации (наиболее показательная — «начало созревания») и прогнозирование урожайности на основе корреляции вегетационных индексов с продуктивностью. Спектральный анализ почв и вегетационных индексов позволяет оценивать агрохимические показатели (содержание гумуса, подвижных форм фосфора, калия, нитратного азота) и качество биомассы.
Помимо представленных результатов, разработанная платформа успешно апробирована для решения ряда других прикладных задач, которые выходят за рамки данной статьи. В их числе: выявление эрозионной опасности пахотных площадей ОПХ по данным ДЗЗ [7], мониторинг залежных земель на Зареченском стационаре [11], оценка продуктивности агроценозов в зависимости от удобрений, диагностика состояния посевов и сортовая идентификация [12], и проч.
4. Заключение
Разработанная цифровая платформа агроэкологического мониторинга, интегрирующая данные ДЗЗ, ГИС и наземные наблюдения, успешно апробирована в опытно-производственных хозяйствах Красноярского края и подтвердила свою эффективность для решения прикладных задач точного земледелия.
Предложенная трехуровневая архитектура сбора данных (спутниковый, беспилотный и наземный мониторинг) обеспечивает комплексный подход к агромониторингу: от глобального охвата территорий до детального анализа состояния конкретных полей, что позволяет существенно повысить оперативность и детальность мониторинга по сравнению с традиционными подходами. Объединение данных дистанционного зондирования, геоинформационного моделирования и наземных полевых исследований создает основу для построения полнофункциональных систем агроэкологического мониторинга.
Проведенные исследования показали, что предложенная платформа позволяет решать широкий спектр задач: от оценки природно-ресурсного потенциала и агроморфологического анализа рельефа до дистанционной диагностики состояния посевов и прогнозирования урожайности. Помимо представленных результатов, платформа успешно апробирована для мониторинга залежных земель, выявления эрозионной опасности пахотных площадей и оценки продуктивности агроценозов в зависимости от систем удобрения. Это особенно актуально для Красноярского края, где значительная часть пашни не используется, а почвы подвержены деградационным процессам.
Разработанное информационно-вычислительное обеспечение и предложенная архитектура интеграции разнородных пространственных данных создают основу для построения эффективных инструментов агроэкологического мониторинга, обеспечивающих рациональное использование земельных ресурсов, повышение продуктивности агроценозов и сохранение экологического равновесия агроландшафтов. Дальнейшее развитие предполагает внедрение элементов искусственного интеллекта для автоматизации интерпретации данных ДЗЗ.