Рис. 8. Экспериментальные характеристики антенны

Выводы.

1.Разработана электродинамическая 3D модель антенны УКВ диапазона, устанавливаемой на корпусе возвращаемого космического аппарата.

2.Для подтверждения данных моделирования разработан макет антенны и проведены лабораторные измерения ее характеристик. Результаты измерений КСВ близки к расчетным показателям.

3.Выработаны рекомендации по настройки антенны.

Литература

1.Рембовский А.М. Радиомониторинг: задачи, методы, средства / А.М. Рембовский, А.В. Ашихмин, В.А. Козьмин /Под ред. А.М. Рембовского. 4-е изд. М.: Горячая линия - Те-

леком, 2015. 640 с.

2.Панченко Б.А. Антенны: учебное пособие для вузов / Б.А. Панченко. М.: Горячая линия - Телеком, 2017. 122 с.

3.Сомов А.М. Антенно-фидерные устройства / А.М. Сомов, В.В. Старостин, Р.В. Кабетов. М.: Горячая линия – Телеком, 2011. 404 с.

4.Банков С.Е. Решение оптических и СВЧ задач с помощью HFSS / С.Е. Банков, Э.М. Гутцайт, А.А. Курушин / М.: ООО «Оркада», 2012. 250 с.

5.Векторные анализаторы цепей R&S®ZVA [Электронный ресурс]. Режим доступа: https://www.rohde-schwarz.com/ru/product/zva-productstartpage_63493-9660.html

Федеральное государственное бюджетное образовательное учреждение высшего образования «МИРЭА – Российский технологический университет», Москва, Россия

A.A. Lyubchenko, A.P. Pirkhavka

ANTENNA OF THE RADIO DIRECTION FINDING SYSTEM OF THE RETURNED SPACECRAFT

The results of electrodynamic modeling and experimental study of the VHF antenna of the radio direction finding system of the returning spacecraft are presented. The design and configuration features of the antenna are considered.

Keywords: antenna, spacecraft, electrodynamic modeling.

Federal State Budget Educational Institution of Higher Education «MIREA – Russian Technological University», Moscow, Russia

272

УДК 502.1:55

С.С. Попов1, Л.А. Межова2

НЕКОТОРЫЕ МЕТОДИЧЕСКИЕ ПОДХОДЫ К ИЗУЧЕНИЮ ГЕОЭКОЛОГИЧЕСКОЙ СРЕДЫ ОБИТАНИЯ СЕЛЬСКИХ ПОСЕЛЕНИЙ ДЛЯ ОБОСНОВАНИЯ БЕЗОПАСНОСТИ ИХ ЖИЗНЕДЕЯТЕЛЬНОСТИ

В статье рассматриваются методические подходы к исследованию среды жизнеобеспечения сельских поселений. Разрабатываются критерии их классификации для создания картографических моделей.

Ключевые слова: среда обитания, среда жизнедеятельности, среда жизнеобеспечения, экологическая ситуация, классификация, картирование.

Проблема взаимодействия человека с окружающей средой обозначилась уже давно, интерес, проявляемый к ней различными отраслями науки, все время возрастает, а с середины XX века приобретает особую остроту, и при этом большой круг вопросов в рамках этой проблемы оказался тесно связанным с экологией человека, с идеями устойчивого развития [1-10]. Подтверждена зависимость между основными свойствами общности людей и состоянием места их обитания. Выявлению конкретных экологических связей в системе «среда обитания - население» мировая научная общественность уделяет в последние несколько лет повышенное внимание [4, 8, 9].

Связи эти прослеживаются на разных пространственных уровнях: мировом, региональном, отдельных поселений [3]. Однако на уровне поселений внимание исследователей пока в наибольшей мере сфокусировано на среде городских поселений [5-7]. Жизненная среда сельского человека практически остается вне внимания экологов. В литературе имеются только фрагментарные общие замечания, касающиеся среды обитания сельских поселений

[1, 2].

Между тем, на международном уровне признана необходимость соблюдения экологического императива как нормы и обязательного условия устойчивого развития стран, регионов и поселений. Однако в настоящее время внимание исследователей в наибольшей мере сфокусировано на среде городских поселений. Жизненная среда сельского населения остается практически вне внимания экологов, хотя в сельских поселениях проживает более 27 % общего населения России. Но и эта часть, являющаяся главным производителем продовольственной продукции, также «имеет право на благоприятную окружающую среду, достоверную информацию о ее состоянии и на возмещение ущерба, причиненного его здоровью или имуществу экологическими правонарушениями».

Итак, не подлежит сомнению, что экосистемное исследование социально значимого объекта «сельское поселение» полезно не только в прикладном, но и в научном отношении, особенно если это исследование планируется осуществить обстоятельно не на региональном (обобщенном) уровне, а в масштабе отдельных поселений в границах административной области.

Основной (фундаментальной) задачей предпринимаемого поискового исследования является: установление пространственных закономерностей сред обитания и выявление причин, обуславливающих их территориальную дифференциацию в границах Воронежской об-

ласти [4, 8, 9].

С точки зрения системного подхода сельская среда обитания рассматриваются как геосистема, в которой взаимосвязаны все факторы жизнеобеспечения населения, такие как природные, хозяйственные, социальные факторы [5-7].

В оценке сельской среды обитания существуют трудности, связанные с не разработанностью методических подходов, неопределенностью интегральных показателей и отсутствие комплексного банка данных по компонентам среды жизнедеятельности сельского населения.

273

Для реализации поставленной задачи важно учесть разнотипные экологические характеристики условий жизни сельчан. Мы объединили их в четыре группы показателей:

1. Определяющие природную среду.

2. Определяющие социальную среду.

3.Определяющие техногенную среду.

4.Определяющие экономическую среду.

При формировании информационного обеспечения поставленной задачи учитывается имеющийся опыт, с ориентацией на антропоцентрический подход и оптимизирование банка данных по линии сокращения числа параметров, характеризующих систему, сохранив при этом достаточность информации по всем модулям (природному, хозяйственному, социаль-

ному) [1].

Для решения задачи по определению территориально-геоэкологических аспектов среды жизнедеятельности сельского населения необходим алгоритм следующих действия, представленных на рисунке.

Рис. Алгоритм действий по сбору геоэкологической информации по сельским поселениям

За критерий качества классификационных построений, получаемых при последовательных значениях свободных параметров, принималась возможность содержательной интерпретации их. Основанием для интерпретации служило совпадение получаемых на основе классификаций разбиений исследуемой территории с разбиениями, которые осуществлялись иными традиционно принятыми в той или иной естественнонаучной дисциплине, изучающей окружающую среду.

Всякая классификация территориальных объектов служит предварительным этапом в тематическом картировании. Конечный итог классификации (в данном поисковом эксперименте – «типы сред») станет основой легенды к карте, комплексно характеризующей среду жизнеобеспечения сельских поселений.

Такую карту целесообразно использовать не только в прогнозе последующих экоситуаций. А также для новых научных обобщений.

274

Приемы методов по анализу и оценке результатов устанавливают причины, обуславливающие типологические различия сред обитания и рассчитывают направленность и силу («весовые значения») их влияния в каждом типе. Необходимая информация извлекается при этом путем анализа взаимосвязей между отдельными факторами в охваченных наблюдениями антропоэкосистемах. Полученные в итоге результаты будут представлены серией новых по тематике экологических карт [8, 9], которые будут иметь прикладное значение для осущ е- ствления управляющего воздействия на экосистемы сельских поселений (в границах Воронежской области) [10].

Массовая аналитическая информация, характеризующая среду сельских поселений на комплексном уровне с помощью множества численных показателей, представляет собой многомерную совокупность. Классификационный подход позволит обрести принципиально новый концентрированный материал, что поможет наиболее глубоко проникнуть в сущность изучаемых объектов, установить взаимосвязи, облегчит поиск закономерностей, скрытых в непосредственных наблюдениях [5-7]. То есть, классификация фактически облегчает решение поставленной фундаментальной задачи по отысканию закономерностей в пространстве.

Классификация по комплексу количественных показателей решается как математическая задача. Методика разработана О.Ф. Усковой, Н.Н. Ермоловой (2001), который представляет математико-статистический подход в изучении среды обитания сельских поселений Воронежской области. Для муниципальных районов используется впервые.

Задача классификации ставится следующим образом.

Задан массив X, состоящий из N точек, каждая из них характеризуется n-мерным вектором хi = (хi1, ... хin) в евклидовом пространстве Rn. Требуется разбить его на «классы», образующие «существенные сгущения».

На исходном массиве X определена мера близости μ(х, у). Одним из наиболее важных условий любой объектной классификации считается выполнение следующих (для случая двух классов А и В) неравенств

Аналогичные условия можно выписать и для большего числа классов, каждое скопление (сгущение) точек X в пространстве признаков должно целиком принадлежать одному классу, а с другой стороны - что при классификации нужно не только отыскивать «сгущения», но и следить за тем, чтобы границы классов проходили по «разрежениям».

Степень огрубления задачи обратно пропорциональна параметру r.

Второй этап огрубления связан с параметром h0. В этой связи исключим из массива W все точки ω, для которых р(ω)<h0. Новый массив обозначим через V. Таким образом, «редкие» точки массива не будут участвовать в классификации. Можно отнести к «нейтральному» классу, который обозначим через X0. Конечно, при выборе параметра h0 следует позаботиться о том, чтобы в нейтральный класс попало не слишком много точек.

За критерий качества классификационных построений, получаемых при последовательных значениях свободных параметров, принималась возможность содержательной интерпретации их. Основанием для интерпретации служило совпадение получаемых на основе классификаций разбиений исследуемой территории с разбиениями, которые осуществлялись иными традиционно принятыми в той или иной естественнонаучной дисциплине, изучающей окружающую среду.

Эксперименты показали, что параметр h0 не влияет на результат классификации. Можно даже не выделять предварительного класса Хо, перенеся естественным образом уже установленную классификацию на весь исходный массив (напомним, что массив V представляет часть исходного массива X). Однако при выделении класса Хо, создается некоторое удобство для выявления наиболее типичных (фоновых) и аномальных характеристик, выявление природы которых представляет для интерпретации определенный интерес.

Результат классификации зависит от выбора окрестностей U(хi) и числа h. С уменьшением окрестностей и числа h классификация становится более подробной, с увеличением - более грубой (и более простой). Огрубление выражается в том, что уменьшается число клас-

275

сов, соответственно их количественные характеристики обобщаются (т.е. интервалы между границами классов укрупняются).

Таким образом, изменяется не только детальность классификационного построения, но и границы между таксономическими единицами. Принцип действия алгоритма позволяет, по существу, производить генерализацию, регулировать пространственное упорядочение объектов в зависимости от требований масштаба.

Совершенно очевидно, что уровень обобщения при детальных исследованиях любых объектов, имеющих непрерывное пространственное изменение, будет непригодным при их региональном изучении в масштабе, скажем, континентов, потребуется установление генерализации более высокого уровня. Это требование можно реализовать (при необходимости решать подобную задачу) соответствующим подбором значений r и h. В итоге можно определить наиболее предпочтительное разбиение совокупности.

Пусть для каждой точки х i зафиксировано некоторое множество U(хi)Rn , содержащее эту точку. Множество U(хi) , будем называть окрестностью точки хi, а количество Р(хi) точек из X, содержащихся в U(xi) - плотностью массива X в точке хi.

Пусть q - положительная константа. Множество АХ назовем q-связным (или q-

однородным), если для любых х, уА существует конечная последовательность х = х1, х2 ... хк = у точек из А такая, чго при любом i = 1,2, ... k-1 точки хi и xi+1 являются q-близкими, то есть

µ(х, y)≤q. Высотой множества АХ назовем число max p(x)-min p(x), (хА), а абсолютной высотой А - число max p(x) (хА).

Пусть h - положительное число. Множество АХ назовем h-почти связным, если все его q-связные компоненты (за исключением может быть одного) имеют высоту, меньшую п.

Множество АХ назовем существенным сгущением X, если:

1.А является q-связным.

2.Абсолютная высота А не меньше h.

3.При любом τ≥ 0 множество Аτ = {х А:р(х)≥τ} является h-почти связным,

4.При τ≥ maxp(x)-h, (хА) справедливо неравенство µ(Аτ (X\A) τ)>q.

Здесь через µ (А, В) обозначается мера близости между множествами А и В в есте - ственном смысле:

µ (А, В) = inf µ (х,у), где хА, уВ.

Из определения нетрудно заметить, что пересечение различных существенных сгущений имеет абсолютную высоту, не большую h.

Пусть различные множества U(xi) не пересекаются. Если положить р(х) = р(хi) для любого xU(xi), то функция р(х) является некоторым приближением плотности распределения массива X. Как легко видеть, каждое существенное сгущение X содержит одну из точек максимума функции р(х).

Понимая теперь под классом существенное сгущение, мы сводим задачу классификации к выделению в X совокупности попарно непересекающихся существенных сгущений.

Величину q, с помощью которой мы определяем понятия близости и связности, удобно выбирать, когда заранее можно оценить порог q такой, что при µ(х, у) < q0 элементы x, у можно считать схожими из соображений специфики задачи. В противном случае q необходимо варьировать, добиваясь наиболее четкого распределения X на непересекающиеся существенные сгущения. Следует отметить, что ниже мы заранее фиксируем число q, полагая его равным единице. Такой жесткий выбор будет в дальнейшем компенсироваться подбором, подходящим масштабных единиц.

Известно, что для эффективной математической обработки большого массива эмпирических данных, как правило, полезно этот массив несколько «огрубить» (или усреднить) с тем, чтобы по возможности уменьшить влияние «информационного шума».

Описываемое огрубление будет определяться двумя целочисленными параметрами: г и h0. Найдем величины:

hk = minixki, Hk = maxixki (k = l, 2,... n).

276

Тогда наименьший параллелепипед с осями, параллельными осям координат, содержащий множество X, описывается неравенством hk≤x≤Hk (k = l, 2,..., n).

Далее, разобьем каждую сторону этого параллелепипеда на r равных частей и проведем через точки деления гиперплоскости так, чтобы весь параллелепипед разбился на rn параллелепипедов с осями, параллельными осям координат. Теперь каждую точку хiХ заменим ближайшей к началу координат вершиной zi того маленького параллелепипеда, в котором эта точка лежит, причем координатами точки zi будет считать целые числа от 0 до r - 1, порожденные заданным разбиением параллелепипеда. Точнее говоря, где квадратные скобки означают, взятие целой части.

Если r достаточно велико, то переход от массива X к массиву Z (со старыми координатами) почти не изменяет структуру множества X.

В полученном массиве Z, состоящем из N точек с целочисленными координатами, многие точки совпадают. Поэтому мы рассмотрим еще массив W, который получается из массива Z отождествлением одинаковых точек. Для любого ωW обозначим через р(ω) число всех точек zZ, совпадающих с ω. Нетрудно видеть, что величина р(ω) совпадает с плотностью исходного массива X в любой точке х i, попавшей при огрублении в ω, если окрестностью хi считать элементарный параллелепипед (без некоторых граней), содержащих хi. Таким образом, функцию р можно считать «приближением» плотности исходного массива.

Переход к целочисленным координатам означает выбор новых единиц на осях координат. Можно было бы для каждой оси ввести свой параметр rk с тем, чтобы единицы на всех осях оказались одинаковые. Выбирая на некоторых осях маленькие единичные отрезки, мы тем самым придаем этим координатам большое значение при классификации.

Для реализации алгоритма классификации использовалась интегрированная среда Delphi 3. Исходные данные, для которых проводится классификация, считываются из таблицы Базы Данных. Выбор СУБД не имеет принципиального значения для описания программной реализации алгоритма и производится из соображений удобства в зависимости от имеющегося аппарата и программного обеспечения. При разработке данного программного продукта не рассматривалась проблема связи приложения с различными серверами баз данных, так как она представляет собой отдельную задачу, и при рассмотрении реализации алгоритма классификации мы ее не будем касаться. Поэтому для того, чтобы настроить программу на уже имеющиеся в таблицах данные, необходимо внести некоторые незначительные изменения в исходный код программы.

Программа имеет модульную структуру, включает в себя несколько смысловых блоков - модулей, реализующих основные функциональные части алгоритма, а также отвечающих за рабочий интерфейс пользователя и визуализацию результатов классификации. Основной модуль представляет собой реализацию шагов алгоритма и содержит ряд процедур обработки данных, выполняющих заполнение массива исходных данных, этап огрубления задачи, классификацию точек «огрубленного» массива и возврат к исходным данным. Один из модулей отвечает за вывод на экран результатов классификации, что позволяет просмотреть рабочее состояние исходной базы и всех промежуточных массивов.

Выводы.

1.Всякая классификация территориальных объектов служит предварительным этапом

втематическом картировании.

2.Конечный итог классификации (в данном поисковом эксперименте – «типы сред») станет основой легенды к карте, комплексно характеризующей среду жизни сельских и городских поселений муниципального района.

277

Литература

1.Антипова О.С. Методические подходы к геоэкологической оценке среды жизнедеятельности населения / О.С. Антипова // Геополитика и экогеодинамика регионов. 2014. №2. URL: https://cyberleninka.ru/article/n/metodicheskie-podhody-k-geoekologicheskoy-otsenke- sredy-zhiznedeyatelnosti-naseleniya (дата обращения: 04.02.2021).

2.Попов С.С. Методологические и методические подходы к исследованию среды обитания сельских поселений / С.С. Попов, Л.А. Межова // Естественные и технические науки, 2020. № 8 (146). С. 123-127

3.Звягинцева А.В., Чекашев К.В., Федянин В.И. Анализ техногенного загрязнения природной среды Воронежской области /Технологии гражданской безопасности. 2006. Т.

3.№ 2 (10). С. 96-98.

4.Яковлев Д.В., Звягинцева А.В. Построение межотраслевой комплексной геоинформационной системы Воронежской области /Известия Самарского научного центра Российской академии наук. 2012. Т. 14. № 1-3. С. 923-930.

5.Авдюшина А.Е., Звягинцева А.В. Локализация объектов в автоматизированной системе видеонаблюдения / Информация и безопасность. 2011. Т. 14. № 4. С. 583-586.

6.Авдюшина А.Е., Звягинцева А.В. Локализация объектов в распределенной системе видеонаблюдения /Информация и безопасность. 2010. Т. 13. № 4. С. 583-586.

7.Авдюшина А.Е., Звягинцева А.В. Система видеонаблюдения и локализация природных объектов / Вестник Воронежского государственного технического университета. 2010. Т. 6. № 12. С. 107-109.

8.Звягинцева А.В., Яковлев Д.В. Перспективы пространственного анализа в географических информационных системах для прогнозирования риска лесных пожаров на территории Воронежской области /Гелиогеофизические исследования. 2014. № 9. С. 78-88.

9.Аржаных Ю.П., Долженкова В.В., Звягинцева А.В. Прогнозирование гидрологической обстановки в период половодья на водных объектах Воронежской области с примене-

нием географических информационных систем /Гелиогеофизические исследования. 2014. № 9. С. 89-98.

10. Попов С.С. Теоретический анализ понятия качества среды жизни в геоэкологических исследованиях / С.С. Попов, Л.А. Межова // Естественные и технические науки, 2020. № 8 (146). С. 128-131.

1ФГКВОУ ВПО «Военный учебно-научный центр Военно-воздушных сил «Военновоздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина», Воронеж, Россия

2Федеральное государственное образовательное учреждение высшего образования «Воронежский государственный педагогический университет», Воронеж, Россия

S.S.Popov1, L.A. Mezhova2

SOME METHODOLOGICAL APPROACHES TO THE STUDY OF THE GEO-ECOLOGICAL ENVIRONMENT OF RURAL SETTLEMENTS TO SUBSTANTIATE THE SAFETY OF THEIR LIVELIHOODS

The article deals with methodological approaches to the study of the living environment of rural settlements. Criteria of their classification for creation of cartographic models are developed.

Keywords: living environment, living environment, environment of life support, ecological situation, classification, mapping.

1Federal State Official Military Educational Institution of Higher Professional Education Military Educational Research Centre of Air Force «Air Force Academy named after professor

N.E. Zhukovsky and Yu.A. Gagarin», Voronezh, Russia

2Federal State Budgetary Educational Institution of Higher Education «Voronezh State Pedagogical

University», Voronezh, Russia

278

УДК 632.123.2.528.88.528.854.2

А.В. Несова, Н.С. Шеставин

ИСПОЛЬЗОВАНИЕ СПУТНИКОВОГО СЕРВИСА ВЕГА-SCIENCE ДЛЯ ВОЗМОЖНОГО МОНИТОРИНГА ОРОШАЕМЫХ ЗЕМЕЛЬНЫХ РАБОТ

Продемонстрирован способ мониторинга состояния сельскохозяйственных земель, используя спутниковый сервис ВЕГА-SCIENCE. Проведен анализ, и обработка данных по конкретному участку земли в Донецком регионе за период с 2016 по 2020 год, и построен график роста индекса влажности для этого участка.

Ключевые слова: мониторинг, сельское хозяйство, влажность почвы, вегетационное индексирование, дистанционное зондирование Земли, динамика, анализ состояния.

При подготовке по правильному выращиванию сельскохозяйственных культур следует учитывать влажность сельскохозяйственных земель, так участки земли с большой нехваткой влаги, требуют дополнительного полива и подтверждены принудительным работам по орошению, чтобы растения получили достаточное количество СО2, необходимый для поддержания фотосинтеза. Избыток влаги представляет тоже собой угрозу: происходит рост грибков и болезней вследствие чего урожай пропадает. Именно в связи с этим создаются новые технологии и инструменты для наблюдения за состоянием сельскохозяйственных земель, одним из таких есть: спутниковый сервис ВЕГА-SCIENCE использующий методы дистанционного зондирования Земли (ДЗЗ).

Методы дистанционного зондирования Земли, широко применяются, для различных исследований на поверхности земли, начало исследований положено в 1970 году, а результаты описаны в работах различных ученных это:

1.Разработка Национальной системы классификации землепользования и земного покрова с применением данных ДЗЗ [1].

2.Применение различных вегетационных индексов для наблюдения за климатом

иего воздействием на характеристики сельскохозяйственных полей [2].

3.Для улучшения методов мониторинга засухи построение распределения по времени года нормализованного разностного индекса растительности [3].

4.Для различия растительности по фенологическим характеристикам картирование сельскохозяйственных полей на основе различных вегетационных индексов.

Целью работы является: провести анализ состояния сельскохозяйственных земель, используя в работе спутниковый сервис ВЕГА-SCIENCE.

В работе планируется решить следующие задачи мониторинга сельскохозяйственных земель:

1.Мониторинг, оценка и прогнозирование влажности почв.

2.Мониторинг динамики естественного изменения индекса влажности за конкретный период времени.

В задачах экологии и в других сферах жизни набирает популярность использование различных вегетационных индексов.

Нормализованный разностный индекс влажности - Normalized Differential Moisture Index (NDMI) является достаточно «свежим индексом» и недавно изученным, так утверждает ряд авторов [4-6]. Ряд авторов [7, 8] утверждает, что индекс нашел широкое применение в мониторинге засухи.

Индекс представляет собой комбинацию 2 каналов: ближнего инфракрасного (NIR) и коротковолнового инфракрасного (SWIR) диапазонов. Такая комбинация каналов позволяет устранять неточности и, повышая возможность определить точное содержание воды в растительности.

Значения индекса представляет собой шкалу и находится в интервале от -0,8 до 0,8, а для распознавания на изображениях используется определенный цвет.

NDMI вычисляется с использованием коэффициентов отражения в ближнем инфракрасном (NIR) и коротковолновом инфракрасном (SWIR) диапазонах.

279

Сам индекс выглядит следующим образом:

NDMI = (B8A − B11) ,

(B8A + B11)

где B8A соответственно: ближний инфракрасный канал NIR (разрешение 20 м, лежит в диапазоне спектральной полосы 865 нм), и B11 – коротковолновый инфракрасный канал SWIR 1 (разрешение 20 м, лежит в диапазоне спектральной полосы 1610 нм).

При использовании съемки в коротковолновом инфракрасном диапазоне, особо не имеет значение плохие метеоусловия, а пар, туман и дым не представляет собой проблему и поэтому диапазон нашел широкое применение в условиях с плохой видимостью и, когда сложные метеоусловия, для отличия облаков и воды от суши.

В качестве области для исследований был выбран земельный участок в Старобешевском районе Донецкого региона, общей площадью 1,8315 га.

Рис. 1. Местоположение земельного участка в Старобешевском районе Донецкого региона (согласно данных Публичной кадастровой карты Украины)

В работе использовались следующие инструменты:

1.Internet-сервиса GoogleEarthPro программа, сочетающая в себе функции виртуального глобуса.

Для просмотра аэрофотоснимков, значений высот для определенных объектов на изображениях, а также содержит в себе инструменты для прокладывания маршрутов на карте, измерении площади и длины объекта, наложение меток на карте.

2.Спутниковый сервис ВЕГА – SCIENCE, является уникальной установкой (УНУ «ВS ИКИ-Мониторинг») входящей в состав Центра коллективного пользования научным оборудованием (ЦКП) «ИКИ-Мониторинг», сервис позволяет наблюдать за состоянием растительного покрова и анализировать информацию используя временные ряды вегетационный индексов, проводя многолетний мониторинг как для выбранной пользователем точки так для целого полигона.

Основная база сервиса, это многолетние архивные данные космических изображений от Северной Евразии и заканчивая близлежащими к России странами. Данные начинали накапливаться с начала двадцать первого столетия.

Публичная кадастровая карта Украины (https://map.land.gov.ua/), сочетающая в себе удобный и легкий инструмент, для пользователя позволяющий определить и найти сель-

280

скохозяйственные поля, фермерские угодья и многое другое, на интересующей территории,

атакже отличить городскую постройку от земли.

Входе работы в спутниковом сервисе ВЕГА – SCIENCE была построена карта влажности почв Донецкого региона с различными значениями для определенных точек на карте и населенных пунктов. Эта карта была сопоставлена с интерактивной картой в Internet-сервисе Google Earth Pro, карты были наложены друг на друга для наглядного отображения и привязки значений индекса влажности к точке на карте.

Рис. 2. Сопоставление карты влажности почв со спутникового сервиса ВЕГА-SCIENCE и Internet-сервиса Google Earth Pro

На рис. 2 красными точками на рисунке отображено значения индекса влажности согласно сервису ВЕГА – SCIENCE, а для отметки приблизительного местоположения интересующего участка на карте был использован маркер инструментами Internet-сервиса Google

Earth Pro.

Спутниковый сервис ВЕГА – SCIENCE использовался для построения диаграммы NDMI индекса за период с 2016-2019 год выбранного участка поля в Старобешевском районе Донецкого региона.

281

Рис. 3. Диаграмма индекса влажности согласно данным со спутникового сервиса ВЕГА-SCIENCE

На рис. 3 различным цветом отображено значения индекса влажности по определенным годам с 2016 по 2019 год, значения показателя влажности представляет собой процентный показатель от 0 до 50 %, и это можно видеть согласно рисунку.

Результаты показали, что самый высокий индекс влажности приходится на зимние месяца с января по апрель с 2016 по 2019 года, значения индекса равны 45 %.

Эти показатели указывают на то, что в этот период времени выпало достаточное количество осадков.

Согласно диаграмме влажности низкие показатели индекса были обнаружены в летний период с июля по август 2018 года и соответствуют значениям 14 %.

Выводы.

1.В итоге проведенных исследований можно сделать следующее выводы: данная методика может быть широко использована, когда требуется адекватная оценка состояния земель сельскохозяйственного назначения, которые были брошены или запустели, также в мониторинге орошаемых земельных работ.

2.Данный способ удобен как для владельца сельхоз предприятия, так и для владельцев земельных участков.

3.Обработка и получения результатов занимает минимальное количество времени, что считается достаточно важным аргументом, особенно когда ставится задача получить быстрый и точный результат, а возможность добраться до своего участка не всегда возможно из-за ряда причин.

Литература

1.Anderson, J.R., Hardy E.E., Roach J.T., and Witmer R.E. A landuse and land cover classification system for use with remote sensor data, U.S. Geol. Surv. Prof. Pap., 964, 1976. 28 p.

2.Yang, L., Wylie B.K., Tieszen L.L., and Reed B.C. An analysis ofrelationships among climate forcing and time-integrated NDVI of grass-lands over the U. S. northern and central Great Plains. Remote Sens.Environ. 65, 1998. Pp. 25–37.

282

3.Peters, A.J., Walter-Shea E.A., Lei J., Vina A., Hayes M., and Svoboda M.R. Drought monitoring with NDVI-based standardized vegetation index. Photogramm. Eng. Remote Sens. 68, 2002. Pp. 71–75.

4.Reed, B.C., Brown J.F., Vander Zee D., Loveland T.R., Merchant J.W. and Ohlen D.O. Measuring phenological variability from satellite imagery. J. Vegetation Sci. 5. 1994. Pp. 703– 714.

5.Gao, B.C. NDWI A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment 58, 1996. Pp. 257-266.

6.Gu, Y., Brown, J.F., Verdin, J.P., Wardlow, B. A five-year analysis of MODIS NDVI and NDWI for grassland drought assessment over the central Great Plains of the United States. Geophysical Research Letters 34 (6), 2007. DOI:10.1029/2006GL0291

7.Pietro Ceccatoa et al. Detecting vegetation leaf water content using reflectancein the optical domain. Remote Sensing of Environment 77, 2001. Pp. 22-33.

8.Pietro Ceccatoa et al. Designing a spectral index to estimate vegetation water content from remote sensing data: Part 2. Validation and applications. Remote Sensing of Environment 82(s 2–3), 2002. Pp. 198–207.

ГОУ ВПО «Донецкий национальный университет (ДонНУ)», Донецк, Донецкая Народная Республика

A.V. Nesova, N.S. Shestavin

USE OF THE VEGA-SCIENCE SATELLITE SERVICE FOR POSSIBLE MONITORING OF IRRIGATED LAND WORKS

A method for monitoring the condition of agricultural lands using the VEGA-SCIENCE satellite service is demonstrated The analysis and processing of data on a specific plot of land in the Donetsk region for the period from 2016 to 2020 was carried out, and a graph of the growth of the moisture index for this site was built.

Keywords: monitoring, agriculture, soil moisture, vegetation indexing, Earth remote sensing, dynamics, state analysis.

State Educational Institution of Higher Professional Education «Donetsk National University

(DonNU)», Donetsk, Donetsk People's Republic

283