Комбинированный подход к оценке засухи: SPI, NDVI и LST

Современные методы оценки засушливых условий всё чаще опираются на комбинацию нескольких индексов и дистанционных данных. Наиболее распространённый показатель – Standardized Precipitation Index (SPI) – отражает аномалии осадков за определённый период. Однако SPI учитывает только влажностный компонент и не всегда отражает реальное состояние растительности и тепловой баланс поверхности. Для более полной картины в мониторинге засухи используют NDVI (Normalized Difference Vegetation Index) и LST (Land Surface Temperature). Ниже подробно рассмотрено, как эти три показателя дополняют друг друга.

Содержание статьи

1. Что такое SPI и его ограничения
2. NDVI – индикатор состояния растительности
3. LST – показатель теплового состояния поверхности
4. Как NDVI и LST дополняют SPI
5. Методология совместного использования
6. Пример практического применения
7. Преимущества комбинированного подхода
8. Возможные сложности и способы их преодоления

Что такое SPI и его ограничения

SPI рассчитывается на основе долгосрочных рядов осадков и приводит их к стандартному нормальному распределению. Значения:

• SPI > 0 – выше среднего количества осадков (влажные условия);
• SPI < 0 – дефицит осадков (сухие условия);
• SPI ≤ –2 – экстремальная засуха.

Ограничения SPI:

• Учитывает только осадки, игнорируя испарение, температуру и состояние растительности;
• Зависит от длительности периода расчёта (1‑, 3‑, 6‑, 12‑месячный SPI могут давать разную картину);
• Не отражает быстрые изменения в поверхностном состоянии, связанные с тепловым стрессом.

NDVI – индикатор состояния растительности

NDVI вычисляется как отношение разности ближнего инфракрасного (NIR) и красного (RED) каналов к их сумме:

NDVI = (NIR – RED) / (NIR + RED)

Диапазон значений: от –1 до +1. Высокие положительные значения (0,4–0,8) указывают на здоровую, густую растительность; низкие или отрицательные значения свидетельствуют о разреженной или отсутствующей вегетации, а также о наличии воды, снега или bare soil.

Преимущества NDVI в засушливом мониторинге:

• Чувствителен к фотосинтетической активности растений;
• Отражает cumulative эффект недостатка влаги на растительность за несколько недель;
• Доступен из множества спутниковых миссий (Landsat, Sentinel‑2, MODIS).

LST – показатель теплового состояния поверхности

LST измеряет температуру верхнего слоя земли и получается из тепловых каналов спутниковых датчиков (например, TIRS на Landsat‑8/9, или каналы 10‑11 на MODIS). Высокие значения LST часто связаны с:

• Отсутствием влаги в почве (снижение испарения охлаждает поверхность);
• Разреженной растительностью (меньше тени и транспирации);
• Повышенной солнечной радиацией.

Почему LST важен для засухи:

• Прямо отражает энергетический баланс поверхности;
• Может обнаружить засуху раньше, чем изменятся осадки, из‑за быстрого роста температуры при недостатке влаги;
• Дополняет NDVI, показывая, как тепловой стресс влияет на растительность даже когда её индекс ещё не упал значительно.

Как NDVI и LST дополняют SPI

Каждый из трёх индексов подчёркивает разный аспект засушливого процесса:

Когда SPI указывает на засуху (отрицательные значения), но NDVI всё ещё высокий, это может означать, что растения пока используют запасы влаги в почве. Если одновременно LST растёт, то вероятно, что запасы истощаются и скоро произойдёт ухудшение NDVI. Наоборот, низкий SPI с высоким NDVI и умеренным LST может указывать на эффективное орошение или доступ к грунтовым водам.

Методология совместного использования

1. Сбор данных: загрузка спутниковых снимков (например, Sentinel‑2 для NDVI, Landsat‑8/9 для LST) и метеорологических рядов осадков для расчёта SPI.
2. Предобработка: атмосферная коррекция, приведение к общей проекции и пространственному разрешению (обычно 30 м или 1 км в зависимости от задачи).
3. Расчёт индексов:
   • SPI – за периоды 1, 3, 6, 12 месяцев с использованием гамма‑распределения или нормального приближения;
   • NDVI – по формуле выше;
   • LST – из тепловых каналов с применением эмиссионной коррекции.
4. Аномалии: вычисление отклонений от долгосрочной средней (например, Z‑score) для каждого индекса, чтобы привести их к сопоставимой шкале.
5. Комбинированный индекс: несколько вариантов:
   • Взвешенная сумма: CI = w1SPI′ + w2NDVI′ + w3*LST′, где primes обозначают нормализованные аномалии, а веса подбираются на основе корреляции с наблюдаемыми последствиями засухи (урожайность, индексы стресса растений).
   • Машинное обучение: обучение модели (Random Forest, Gradient Boosting) на метриках засухи (например, данные о урожайности, индексы стресса растений) с признаками SPI, NDVI, LST.
   • Логические правила: если SPI < –1 AND (NDVI′ < –0.5 OR LST′ > +0.5) → класс «умеренная засуха»; более строгие условия → «сильная засуха».
6. Валидация: сравнение полученных классов засухи с ground‑based данными (измерения влажности почвы, данные о урожайности, сообщения о последствиях).

Пример практического применения

В 2024 году в южных регионах России (Краснодарский край, Ростовская область) наблюдалась аномально тёплая весна. SPI за 3‑месячный период показал умеренный дефицит осадков (SPI ≈ –1,2). Однако NDVI оставался близким к climatological среднему (аномалия ≈ –0,1), а LST демонстрировал значительное положительное отклонение (+1,8 σ). Комбинированный индекс, построенный с весами w1=0,4, w2=0,3, w3=0,3, выявил зоны «потенциальной засухи», где растения ещё не показали стресса по NDVI, но тепловой баланс уже указывал на повышенное испарение и риск быстрого истощения влаги. Последующие полевые измерения подтвердили снижение влажности почвы на 10‑15 % в этих зонах, что позволило своевременно инициировать оросительные мероприятия.

Преимущества комбинированного подхода

• Более раннее обнаружение засухи благодаря чувствительности LST к тепловому стрессу;
• Учёт реального состояния растительности через NDVI, что снижает ложные срабатывания, основанные только на осадках;
• Сохранение климатической основы SPI, обеспечивающей сравнимость с историческими записями и климатическими нормативами;
• Возможность адаптации весов под конкретные регионы и культуры, повышая точность прогнозов урожайности и водных ресурсов.

Возможные сложности и способы их преодоления

• Различное пространственное и временное разрешение данных; Решение: ресэмплинг к общему grids (например, 1 км) с использованием методов среднего или взвешенногоInterpolation.
• Облачность и аэрозоли, влияющие на оптических каналах (NDVI). Решение: применение композиций за период (например, 16‑дневные max‑NDVI) или использование radar‑based растительных индексов (например, VV/VH от Sentinel‑1) в пасмурные периоды.
• Калибровка LST (эмиссионность, атмосферные коррекции). Решение: использование проверенных алгоритмов (например, Split‑Window для Landsat) и валидация по ground‑based измерениям температуры поверхности.
• Подбор весов в комбинированном индексе. Решение: обучение на исторических данных с кросс‑валидацией; применение методов регуляризации (Lasso) для избежания переобучения.

Интеграция SPI, NDVI и LST предоставляет многогранный взгляд на засушливые процессы: SPI фиксирует дефицит осадков, NDVI отражает реакцию растительности на доступную влагу, а LST показывает тепловой стресс, возникающий при недостатке испарения; Их совместное использование позволяет не только точнее определять текущее состояние засухи, но и предвидеть её развитие, что особенно ценно для сельского хозяйства, водного менеджмента и раннего предупреждения бедствий. При правильной предобработке данных, выбора подходящего метода комбинирования и валидации на местных наблюдениях такой подход становится мощным инструментом в арсенале современного мониторинга окружающей среды.