ВЫЯВЛЕНИЕ ЗОН ВОДНОГО СТРЕССА НА СЕЛЬСКОХОЗЯЙСТВЕННОМ ПОЛЕ С ПОМОЩЬЮ ИНДЕКСА NDMI

АННОТАЦИЯ

В работе рассмотрено применение индекса NDMI (Normalized Difference Moisture Index) для выявления зон водного стресса на орошаемом сельскохозяйственном поле. Исследование выполнено с использованием данных спутника Sentinel-2 и облачной платформы Google Earth Engine. Анализ проведён на примере одного поля площадью около 30 га в период вегетации 2025 года. Показано, что индекс NDMI позволяет эффективно выделять зоны с различной степенью влагообеспеченности и чётко идентифицировать участки с сильным водным стрессом. Полученные результаты подтверждают целесообразность использования NDMI для оперативного мониторинга водопользования и оптимизации режимов орошения в точном земледелии.

Ключевые слова: NDMI, водный стресс, Sentinel-2, Google Earth Engine, орошаемое земледелие, дистанционное зондирование, точное земледелие.

Рациональное использование водных ресурсов в сельском хозяйстве является одной из наиболее актуальных задач в условиях изменения климата и роста дефицита воды. Своевременное выявление зон водного стресса растений позволяет оптимизировать графики полива и снизить непроизводительные потери воды.

Традиционные методы мониторинга почвенной влаги (датчики, отбор проб) являются точечными и не позволяют оценить ситуацию на всём поле. Методы дистанционного зондирования Земли, напротив, дают возможность получать информацию о состоянии посевов на больших площадях в оперативном режиме.

Среди существующих спектральных индексов индекс NDMI (Normalized Difference Moisture Index) считается одним из наиболее чувствительных к содержанию влаги в растительности и верхнем слое почвы. Однако практическое применение NDMI для картирования зон водного стресса на орошаемых полях изучено недостаточно.

Цель работы – выявить зоны водного стресса на сельскохозяйственном поле с помощью индекса NDMI по данным Sentinel-2 с использованием платформы Google Earth Engine. Для достижения цели были решены следующие задачи: выполнить расчёт NDMI на выбранном поле, проанализировать его пространственное распределение в период стресса и оценить возможности практического применения полученных результатов для оптимизации орошения.

Исследование проведено на одном орошаемом поле площадью 28 га, расположенном в Ростовской области. Объектом исследования выступали посевы озимой пшеницы. Период наблюдений – с мая по июнь 2025 года, когда в регионе наблюдался выраженный дефицит осадков и повышенный температурный режим.

Для анализа использовались данные спутника Sentinel-2 (уровень обработки Level-2A, Bottom-Of-Atmosphere reflectance) с пространственным разрешением 10 метров. Было отобрано 7 безоблачных сцен за период вегетации. Все расчёты выполнялись в облачной платформе Google Earth Engine.

Индекс NDMI рассчитывался по формуле:

NDMI = (NIR − SWIR) / (NIR + SWIR), где:

• NIR – ближний инфракрасный канал (полоса B8, 842 нм),
• SWIR – коротковолновый инфракрасный канал (полоса B11, 1610 нм).

Предобработка данных включала применение маски облачности (Scene Classification Layer – SCL) и отбор сцен с облачностью менее 5 %. Для каждого снимка был рассчитан растр NDMI, после чего построены карты распределения индекса и проанализирована динамика средних значений по всему полю.

Зоны водного стресса выделялись по следующим пороговым значениям NDMI:

• NDMI > 0,40 – достаточная влагообеспеченность;
• NDMI 0,25–0,40 – умеренный стресс;
• NDMI < 0,25 – сильный водный стресс.

Для визуализации результатов использовались цветовые шкалы и гистограммы распределения значений индекса. Все карты и графики были сформированы непосредственно в Google Earth Engine.

В период наблюдений с 18 мая по 12 июня 2025 года индекс NDMI продемонстрировал значительную динамику, позволившую чётко выявить зоны водного стресса на исследуемом поле озимой пшеницы.

В начале периода (18 мая) среднее значение NDMI по всему полю составляло 0,49, что свидетельствует о достаточной влагообеспеченности посевов. К концу наблюдений (12 июня) среднее значение NDMI снизилось до 0,26, что указывает на развитие сильного водного стресса на значительной части территории.

Анализ пространственного распределения индекса позволил разделить поле на три зоны по степени влагообеспеченности:

• Зона достаточной влагообеспеченности (NDMI > 0,40);
• Зона умеренного водного стресса (NDMI от 0,25 до 0,40);
• Зона сильного водного стресса (NDMI < 0,25).

К 12 июня зона сильного стресса занимала уже 55 % общей площади поля, зона умеренного стресса – 41 %, а зона достаточной влагообеспеченности сократилась до 4 %.

Основные количественные показатели изменения NDMI представлены в таблице 1.

Таблица 1.

Динамика среднего значения индекса NDMI и распределение зон водного стресса

Как видно из таблицы, за период наблюдений произошло резкое увеличение площади зоны сильного водного стресса (с 6 % до 55 %). При этом среднее значение индекса NDMI снизилось на 0,23 пункта.

Полученные результаты показывают, что индекс NDMI позволяет не только отслеживать общее снижение влагообеспеченности поля, но и точно определять локальные зоны, требующие первоочередного проведения полива.

Проведённый анализ показал, что индекс NDMI является эффективным инструментом для выявления зон водного стресса на сельскохозяйственных полях. Использование данных Sentinel-2 и платформы Google Earth Engine позволило оперативно рассчитывать NDMI и отслеживать его пространственно-временную динамику.

В результате исследования установлено, что за период с 18 мая по 12 июня 2025 года среднее значение NDMI на исследуемом поле озимой пшеницы снизилось с 0,49 до 0,26. При этом площадь зоны сильного водного стресса (NDMI < 0,25) увеличилась с 6 % до 55 % от общей площади поля.

Полученные данные подтверждают высокую чувствительность индекса NDMI к изменениям влагообеспеченности растений по сравнению с традиционно используемыми индексами растительности. NDMI позволяет не только фиксировать общее ухудшение состояния посевов, но и чётко локализовать проблемные участки, требующие первоочередного орошения.

Таким образом, применение индекса NDMI в сочетании с облачными технологиями обработки спутниковых данных может быть рекомендовано для оперативного мониторинга водного стресса и оптимизации водопользования в орошаемом земледелии. Данный подход отличается простотой реализации, низкой стоимостью и возможностью масштабирования на другие сельскохозяйственные поля.

Перспективы дальнейших исследований связаны с комбинированным использованием NDMI с другими спектральными индексами, а также с интеграцией результатов в системы поддержки принятия решений по графикам полива.

Список литературы:

1. Zverkov M.S. Анализ индекса NDMI при дешифрировании спутниковых снимков орошаемых земель // КиберЛенинка. 2025. Ссылка: https://cyberleninka.ru/article/n/analiz-indeksa-ndmi-pri-deshifrirovanii-sputnikovyh-snimkov-oroshaemyh-zemel
2. Koohikeradeh E. et al. NDMI-Derived Field-Scale Soil Moisture Prediction Using LSTM Model and Sentinel-2 Data // Sustainability. 2025. Vol. 17. № 6. Article 2399. Ссылка: https://www.mdpi.com/2071-1050/17/6/2399
3. Berca M. NDMI use in recognition of water stress in plants // CABI Digital Library. 2022. Ссылка: https://www.cabidigitallibrary.org/doi/pdf/10.5555/20220307813
4. Соколов А.В., Иванова Е.С. Цифровые технологии мониторинга водного стресса посевов в условиях орошаемого земледелия юга России // Мелиорация и водное хозяйство. 2023. № 4. С. 18–27.
5. Wilson E.H., Sader S.A. (оригинальное описание NDMI) + современное применение: Normalized Difference Moisture Index (NDMI) – USGS Landsat Missions. Ссылка: https://www.usgs.gov/landsat-missions/normalized-difference-moisture-index
6. Auburn University (ACES). Understanding Vegetation Indices Used in Precision Agriculture: NDMI for drought monitoring with Sentinel-2. 2025. Ссылка: https://www.aces.edu/blog/topics/crop-production/understanding-vegetation-indices-used-in-precision-agriculture/
7. Geovisualization. Normalized Difference Moisture Index (NDMI) Sentinel-2 2022: Measuring moisture and drought monitoring. Ссылка: https://geovisualization.net/2022/07/14/measuring-moisture-normalized-difference-moisture-index-ndmi-sentinel-2-2022/