Формирование достоверных карт размещения сельскохозяйственных культур является важным инструментом цифрового мониторинга сельского хозяйства и почвенных ресурсов. Такие карты позволяют оценивать структуру посевных площадей, анализировать пространственные риски, осуществлять мониторинг землепользования, а также повышать эффективность государственного управления сельскохозяйственными ресурсами и оценки влияния климатических изменений. При этом получение актуальной информации о размещении культур затруднено из-за отсутствия единой системы регулярного сбора и актуализации соответствующих данных, что делает актуальной разработку автоматизированных методов картографирования.

Целью настоящей работы являлось создание модели распознавания сельскохозяйственных культур для мониторинга сельского хозяйства.

В качестве обучающих данных использовалась открытая картографическая информация различных стран, включающая растровые и векторные данные о фактической структуре посевов, а также карты, полученные с использованием алгоритмов машинного обучения (случайный лес, деревья решений). Прогнозные карты проходили этап постобработки, включавший отбор репрезентативных данных и фильтрацию картографических артефактов.

Обработка больших массивов пространственных данных выполнялась на языке Python с использованием библиотек rioxarray, rasterio и fiona. Для получения спутниковых данных применялась платформа Google Earth Engine. В качестве алгоритма классификации использовался градиентный бустинг CatBoost.

Признаковое пространство включало медианные значения спектральных каналов Landsat (Red, Green, Blue, NIR, SWIR1, SWIR2) за период с апреля по октябрь. Дополнительно использовались фенологические характеристики, рассчитанные по параметрам двойной логистической функции индексов WRDVI и NDMI, а также статистические показатели индекса NDYI, отобранные на основе максимальных различий между культурами. Для повышения качества прогнозных карт применялся фильтр Хампеля, позволивший удалять выбросы и картографические артефакты.

Для учета пространственной неоднородности условий выращивания культур, обусловленной расположением обучающих данных в различных климатических зонах, в модель были включены климатические характеристики реанализа ERA5: сумма активных температур и количество осадков.
Первоначально модель использовала 134 признака, однако для снижения вычислительной сложности их количество было сокращено до 24 с помощью встроенного метода отбора признаков Recursive Feature Elimination без существенной потери качества классификации.

В результате были сформированы пространственно распределенные карты двенадцати сельскохозяйственных культур. Полученная модель обеспечила классификацию основных культур Российской Федерации с общим значением F1-меры 0,74. Оценка качества проводилась на независимых данных селекционных центров Российской Федерации: Северо-Кавказского ФНАЦ, ОПХ «Рассвет» и ВНИИМЗ.

Поскольку обучающая и валидационная выборки существенно различались по своим характеристикам (в частности, для ряда регионов России, таких как Тверская и Московская области, отсутствуют зарубежные аналоги обучающих данных), было выполнено дополнительное дообучение модели на валидационной выборке. После дообучения значения F1-меры составили 0,81 для Северо-Кавказского ФНАЦ, 0,82 для ОПХ «Рассвет» и 0,53 для ВНИИМЗ.

Работа выполнена в рамках государственного задания на научно-исследовательскую работу по теме: FGUR-2025-0010 "Цифровой скрининг почвенного покрова агроландшафтов как инструмент решения задач научно-технологического развития агропромышленного комплекса Российской Федерации" (рег. № 125042105374-2)

Каменная степь представляет собой пример успешной реализации системы регулирования водного режима, разработанной В.В. Докучаевым для борьбы с засухой. Созданный им агролесомелиоративный комплекс, включающий сеть прудов и полезащитных лесополос, обеспечивал аккумуляцию паводковых вод, способствовал сохранению почвенной влаги и формированию благоприятного гидрологического режима, создав устойчивые условия для ведения сельского хозяйства. С момента создания комплекса на территории проводился регулярный мониторинг его состояния и функционирования, что позволило сформировать многолетний ряд наблюдений.

На протяжении столетия агролесомелиоративная система эффективно выполняла свои функции. Однако в условиях изменения климата, сопровождающегося повышением температуры воздуха и снижением уровня грунтовых вод, ее влияние на водный режим территории могло существенно измениться. В связи с этим возникает вопрос о том, насколько подобные системы способны сохранять свою эффективность в современных климатических условиях и целесообразно ли их дальнейшее развитие в агроландшафтах.

Целью настоящего исследования является моделирование гидрологического режима почв локального водосбора Каменной степи для оценки отклика агролесомелиоративной системы на климатические изменения. Для этого использована распределенная гидрологическая модель ParFlow, основанная на численном решении уравнения Ричардса, совместно с моделью деятельного слоя суши Community Land Model (CLM), рассчитывающей процессы тепло- и влагообмена на поверхности и формирующей верхние граничные условия для ParFlow.

Исходные данные для моделирования были сформированы на основе открытых глобальных баз данных и архивных материалов НИИСХ ЦЧП имени В.В. Докучаева. В качестве входных данных для CLM использовались метеорологические параметры, сведения о растительном покрове и характеристики почв (содержание песка, глины и альбедо). Данные реанализа ERA5-Land были скорректированы по наблюдениям местной метеостанции, а информация о типах растительности получена на основе карты земного покрова ESA WorldCover 2021 с использованием классификации International Geosphere–Biosphere Programme (IGBP).

Для модели ParFlow были подготовлены цифровая модель рельефа и гидрофизические характеристики почв (коэффициент фильтрации, пористость и параметры модели Ван-Генухтена). Цифровая модель рельефа построена по плану земель ОПХ «Докучаевское» 1984 года. В связи с ограниченным объемом экспериментальных данных о гидрофизических свойствах почв гранулометрический состав из базы данных SoilGrids был уточнен по архивным материалам, публикациям и отчетам. На основе уточненного гранулометрического состава гидрофизические параметры были рассчитаны с использованием педотрансферной функции Rosetta3.
Калибровка модели выполнена по архивным наблюдениям за уровнем грунтовых вод, представленным в гидрогеологических ежегодниках.

Работа выполнена при поддержке при поддержке Российского научного фонда (проект № 26-76-10087).