Применение кластеризации K‑means к вегетационным индексам для картирования обрабатываемых площадей с использованием высокоразрешённых спутниковых изображений Mohammed VI Марокко

Почему умные карты посевов важны

Обеспечение растущего населения продовольствием требует знания в режиме, близком к реальному времени, того, что действительно растёт на земле. Фермерам и властям нужны надёжные карты того, где посеяны культуры, какие поля пустуют и как эти схемы меняются от сезона к сезону. В этом исследовании показано, как марокканский спутник наблюдения Земли в сочетании с простой формой искусственного интеллекта может преобразовывать необработанные изображения в высокоточные карты обрабатываемых земель без необходимости привлекать армии людей для ручной разметки данных.

Смотреть на фермы из космоса

Работа сосредоточена на системе спутников Mohammed VI — паре марокканских спутников, движущихся по солнечно‑синхронной орбите. Они захватывают очень чёткие изображения в четырёх диапазонах, включая близкий инфракрасный, с разрешением полметра — достаточно детально, чтобы различать отдельные небольшие поля и даже ряды деревьев. Авторы сосредоточились на сельскохозяйственной зоне площадью 175 гектаров в регионе Фес–Мекнес на севере Марокко, где поля с зерновыми, кукурузой, оливками, миндалём, виноградом и овощами соседствуют с нераспаханными участками и редкой растительностью. Такое разнообразие делает район идеальной тестовой площадкой для инструментов, которым нужно отделять обрабатываемую землю от всего остального.

Преобразование цветов в подсказки

Необработанные спутниковые снимки — это просто сетки значений яркости в разных спектральных каналах. Чтобы сделать эти сетки более информативными, учёные часто вычисляют «вегетационные индексы», объединяющие несколько каналов в одно число, отражающее здоровье растений или содержание влаги. В исследовании используются известный нормализованный разностный вегетационный индекс (NDVI), который выделяет лиственную, богатую хлорофиллом растительность, и модифицированный нормализованный разностный водный индекс (MNDWI), чувствительный к различиям влажности с использованием зелёного и близкого инфракрасного каналов. Вместе с исходным близким инфракрасным каналом эти три слоя образуют компактное описание состояния растительности и влаги для каждого пикселя, давая гораздо более богатую информацию, чем любой отдельный канал.

Позволить данным группироваться самостоятельно

Вместо обучения сложной модели на тысячах вручную размеченных примеров исследователи обратились к K‑means — простому алгоритму кластеризации из области обучения без учителя. K‑means ищет шаблоны в данных и группирует пиксели в заданное число кластеров с похожими спектральными признаками. После базовой предобработки — извлечения нужных каналов, вычисления двух индексов, объединения их в стек и масштабирования всех значений в диапазон от нуля до единицы — команда задала K‑means создать ровно три кластера. Их затем интерпретировали как фон (участки вне полей или без полезного сигнала), голую почву и области, доминируемые посевами. Поскольку метод является безнадзорным, его можно применять к новым изображениям без дополнительных размеченных данных для обучения.

Проверка метода на практике

Чтобы оценить, насколько хорошо подход работает, авторы создали детальную эталонную карту, вручную обводя обрабатываемые участки в программном обеспечении географической информации, используя то же высокоразрешённое изображение. Затем они сравнили четыре способа оценки доли обрабатываемой земли: простое правило, основанное только на пороге яркости в ближнем инфракрасном диапазоне; правило, основанное только на вегетационном индексе NDVI; стандартный K‑means, запущенный на исходных цветных каналах; и их новый «спектральный K‑means», который кластеризует объединённые данные индекса и инфракрасного канала. Истинная доля обрабатываемой площади в изучаемом районе составила 71,07 процента. Порог по ближнему инфракрасному недооценил это значение — 65,59 процента, только NDVI дал 66,13 процента, а стандартный K‑means достиг 67,18 процента. Подход спектрального K‑means оказался наиболее близким — 72,07 процента, что соответствует относительной ошибке всего 1,41 процента — в несколько раз лучше конкурирующих методов.

Что это значит для будущего сельского хозяйства

Для фермеров, водных менеджеров и планировщиков такой автоматизированный и точный картографический подход предлагает практический способ мониторинга полей на больших территориях без дорогостоящих полевых обследований или массивных размеченных наборов данных. Надёжно отличая засеиваемые участки от незасеянных и выделяя, где растительность процветает или испытывает стресс, метод может поддержать точное орошение, направлять использование удобрений и помогать отслеживать изменение землепользования. Хотя текущая валидация опирается на одно изображение, подход указывает на будущее, в котором простые безнадзорные алгоритмы, применённые к высокоразрешённым спутниковым данным, рутинно обеспечивают картирование посевов на уровне полей, повышая производство продовольствия и способствуя более устойчивому использованию земли и воды.

Цитирование: Moussaid, A., Bayad, M., Gamoussi, Y. et al. K-means clustering applied to vegetation indices for mapping cultivated areas using high-resolution Moroccan Mohammed VI satellite imagery. Sci Rep 16, 11040 (2026). https://doi.org/10.1038/s41598-026-41167-1

Ключевые слова: точное земледелие, спутниковые изображения, картирование посевов, обучение без учителя, вегетационные индексы