agricultural remote sensing

1. ХАА-н судалгаанд хиймэл
дагуулын мэдээг ашиглах нь
Ц. Энхзаяа, Ph.D
ХААИС, АЭС, Газрын менежментийн тэнхим
2017-02-15

2. 2
1. МОДИС ХИЙМЭЛ ДАГУУЛЫН МЭДЭЭГ
АШИГЛАЖ ХОЙД АЗИЙН БҮС НУТГИЙН
ТАРИАЛАНГИЙН ТАЛБАЙД ХИЙХ ФЕНОЛОГИ
ШИНЖ ЧАНАР БОЛОН ЗУРАГЛАЛЫН АРГА ЗҮЙ
1. Enkhzaya, Ts and Tateishi, R. Use of Phenological Features to Identify Cultivated Areas in Asia, International Journal of Environmental
Studies, Volume 68, Issue 1, pp. 9-24, 2011
2. Phenological characterization and spatial mapping for cultivated areas in northern Asia using MODIS data” Докторын зэрэг горилсон
зохиол, Япон улс, Чибагийн их сургууль (2011)
3. Ц. Энхзаяа, 2015, Тариалангийн талбайн зураглалд хиймэл дагуулын мэдээг ашиглах нь, Агроэкологи эрдэм шинжилгээний
бүтээлийн эмхэтгэл, №04 (02), Улаанбаатар, Монгол, хх. 93-96, 2015
Ц. Энхзаяа1, Р. Татейши2
1ХААИС, АЭС, Газрын менежментийн тэнхим, tse_enkhzaya@yahoo.com
2Япон улс, Чибагийн их сургууль, Байгаль орчин зайнаас тандан судлалын хүрээлэн

3.  Тариалангийн талбайн тархалтыг үнэн зөв тодорхойлох нь
хөрс, усны нөөцийн зохистой хэрэглээг төлөвлөх, үнэлэх
төдийгүй хүнсний аюулгүй байдлыг хангах, байгаль орчныг
хамгаалах зэрэг олон салбаруудад хэрэгцээтэй мэдээллийн эх
үүсвэр болдог.
Үндэслэл
- ХАА-н статистик мэдээг улирал тутамд шинэчлэх
- Тариалангийн талбайн байршил, тархалтыг харуулах
- Тарималыг төрлөөр нь ялгах
- Цаг хугацаа, орон зайн өөрчлөлтийг үзүүлэх
- Ургац тодорхойлох ...
 Хуурай болон хуурайвтар бүс нутгийн тариалангийн
талбай болон бэлчээрийн хоорондох онцлог төстэй байдгаас
зураглалын нарийвчлал муу байдаг.

4.  Хойд Азийн бүс нутаг дахь тариалангийн талбайг
байгалийн бэлчээрээс ялгах арга зүйг боловсруулах
 Өндөр нарийвчлал, үнэн зөв мэдээлэл бүхий
тариалангийн талбайн орон зайн тархалтыг харуулсан
зураглал бүтээх
Зорилго, зорилт
 Иймд улирлын ба бүтээмжит чанарын өөрчлөлтийг
харуулдаг ургамлын улирлын онцлогт тулгуурлаж
судлах шаардлагатай.

5. 5
500 1350 2500
Өндөр (м)
Uzbekistanя
Kyrgyzstan
Судалгаанд хамрагдсан газар нутаг
 Байршил: 40°N - 60°N, 62°15E - 141°35E
 Ургалтын үе: 4/5 сараас – 9/10 сарын хооронд
 Температур: -30°C – 30°C, өдөр, улирлын хэлбэлзэл их
 Хур тунадас: 50-1200 мм, голдуу зун улиралд
 Ургац: голчлон усжуулалтын системгүй, жилд 1 удаа

6. Судлагдсан байдал
Бүрхэвчийн ангилал хийсэн зурагнууд Анги Эзлэх %
1 Maryland university (AVHRR, 1 km, 1995) Cropland 10.42
2 IGBP DIScover (AVHRR, 1 km, 2000) Cropland 10.95
3 GLC2000 (SPOT Vegetation, 1 km, 2000) Cropland 10.67
4 Boston university (MODIS, 1 km, 2002) Cropland 13.29
5 GLCNMO (MODIS, 1 km, 2003) Paddy, cropland 14.69
6 GlobCover (MERIS ENVISAT, 300 m, 2004-2006) Irrigated, rainfed
cropland
5.7
7 IWMI map of rainfed and irrigated cropland area
(AVHRR, Spot, 1 km, 2007)
Irrigated, rainfed
cropland
29
Хамрах хүрээ: (62d15E ~ 141d35E, 40N ~ 60N)

7. Өгөгдөл, мэдээ
7
• MODIS NDVI, 2000 он, 250 м (MOD13Q1)
• MODIS land-water mask, 250 м (MOD44W)
• LANDSAT ETM+, 30 м
• SRTM DEM, 90 м (4.1 хувилбар)
• Сэдэвчилсэн зурагнууд
• Google Earth

8. MODIS sinusoidal tile grid
Зүйвэр зураг үүсгэх, проекцийг хөрвүүлэх
Хэмжээ, хэмжээсийг өөрчлөх
Нийлэмж зураг үүсгэх
MODIS NDVI зургийн боловсруулалт

9. 9
MODIS NDVI мэдээ Бүрхэвчийн зураг
Үзэгдэлзүйн үзүүлэлтийг гаргах
Тариалангийн талбайг ялгах
Тоон дүн шинжилгээ
Тархалтын зураглал
Нарийвчлалын үнэлгээ
Орон зайн дүн
шинжилгээ
Судалгааны арга зүй

10. 10
NDVI – Normalized Difference Vegetation Index
Ургамлын Нормчлогдсон Ялгаврын Индекс
NIR: Near InfraRed Band - (Ойрын хэт улаан туяа)
Red: Red band – (Үзэгдэх гэрлийн улаан туяа)
NDVI=
- Ургамлын ногоорол буюу өсөлттэй хамааралтай.

11. 11
Timesat програмын ажиллах дараалал
1. Jonsson, P. and Eklundh, L., TIMESAT - a program for analyzing time-series of satellite sensor data,
Computers and Geosciences, 30, 833-845. 2004
2. Jonsson, P. and Eklundh, L., Seasonality extraction by function fitting to time-series of satellite
sensor data, IEEE Transactions on Geoscience and Remote Sensing, 40, 1824-1832. 2002

12.  Ургамлан бүрхүүлийн үзэгдэлзүйн өөрчлөлт
[a] – ургалт эхлэх үе
[b] – ургалт зогсох үе
[e] – ургалтын оргил үе
[e] – хамгийн өндөр утга
[f] – өсөлтийн хүрээ
12
[g] – ургалт явагдах үе
[a] –[b] – дундаж өсөлт
[h] – өсөлтийн өндөр түвшин
[i] – өсөлтийн бага түвшин
[a] –[e] –эхлэлээс оргил хүртлэх үе
Гаргаж авсан үзүүлэлтүүд

13. 13
(а) Ургалт эхлэх, (б) Оргил, (в) Ургалт зогсох үе
(а)
(б)
(в)
4 сар
5 сар
6 сар
7 сар
8 сар
9 сар
10 сар

14. 14
(а) Ургалт явагдах хугацаа
(б) Эхлэлээс оргил хүртлэх үе
1 сар
2 сар
3 сар
4 сар
5 сар
6 сар
(а)
(б)

15. 15
(а) Дундаж өсөлт, (б) Хамгийн өндөр утга,
(в) Өсөлтийн хүрээ
(а)
(б)
(в)
0.1
0.3
0.5
0.7
0.9

16. 16
1
3
5
7
9
11
(а) Өсөлтийн өндөр түвшин,
(б) Өсөлтийн бага түвшин
(а)
(б)

17. 17
Үр дүн
Улсын хил
Тариалангийн талбай
Маск хийгдсэн газар
Бэлчээр
- Шийдвэрийн модны ангилалын аргаар (decision tree)
бэлчээр (тариалан бус) болон тариалангийн талбайг
зурагласан.

18. 18
Тариалангийн
талбай
Бэлчээр Нийт PA (%)
Тариалангийн
талбай
26 9 35 100 %
Бэлчээр 0 70 70 88.6 %
Нийт 26 79 105
UA (%) 74.28 % 100 %
Лавлагаа мэдээлэл
Ерөнхий нарийвчлал:
Каппа коеффицент:
91.42 %
0.79
Үр дүн – Матриц

19. 19
Дүгнэлт
 Ургамал судлалын салбарт хэрэглэгддэг арга зүйг
тандан судлалын салбарт ашигласан нь уг судалгааны
ажлын шинэлэг тал бөгөөд дээрх үзүүлэлтүүд нь
тариалангийн талбайг байгалийн бэлчээрээс ялгах
боломжтойг баталсан.
 Үзэгдэлзүйн мэдээлэлд тулгуурлаж ангиудын орон
зайн тархалтыг зураглаж чадсан ба ангилалын
нарийвчлал нь зөвшөөрөгдөх хэмжээнд байгаа ч
зураглалыг сайжруулж, үнэлэлт өгөх шаардлагатай
байна.
 Дээрх мэдээллүүдийг бэлчээрийн мониторингийн
судалгаанд ч ашиглах боломжтой.

20. 20
2. МОНГОЛ ОРНЫ БЭЛЧЭЭР БОЛОН
ТАРИАЛАНГИЙН ТАЛБАЙН УРГАЛТЫН
ЯВЦЫГ ОЛОН ТӨРЛИЙН ХИЙМЭЛ
ДАГУУЛЫН МЭДЭЭГ АШИГЛАН
ТОДОРХОЙЛОХ НЬ
1. Ichikawa. D, K. Wakamori and M. Suzuki, 2014, Identification of paddy fields in Northern Japan using Rapid Eye images, International
Geoscience& Remote Sensing Symposium (IGARSS), July 13-19, Quebec, Canada
2. Ichikawa. D and K. Wakamori, 2015, DEVELOPMENT OF 10-DAYS COMPOSITE NDVI IMAGE FOR ASIA USING SUOMI NPP
EDR DATA, International Geoscience& Remote Sensing Symposium (IGARSS), July 26-31, Milan, Italy
3. Д. Ичикава, В. Вакамори, Ц. Энхзаяа, 2016, Монгол орны бэлчээр болон тариалангийн талбайн ургалтын явцыг олон төрлийн
хиймэл дагуулын мэдээ ашиглан тодорхойлох нь, Агроэкологи эрдэм шинжилгээний бүтээлийн эмхэтгэл №07(03), хх 223-228
Д. Ичикава1 К. Вакамори1 Ц. Энхзаяа2
1Япон улс, Japan Manned Space Systems корпораци, dorj21@yahoo.com
2ХААИС, АЭС, Газрын менежментийн тэнхим

21. 21
 Байгаль орчин, ХАА-н салбарт хяналт мониторингийн
системийг бий болгоход хиймэл дагуулын мэдээний автомат
боловсруулалт, сонирхож буй объектийг үнэн зөв ялгаж дүн
шинжилгээ хийхийг шаарддаг.
 Ийм тогтолцоог бий болгоход олон төрлийн хиймэл дагуулын
мэдээнээс байгаль орчин, ХАА-н салбарт хэрэгцээтэй мэдээлэл
болох бэлчээрийн төлөв байдлыг цаг тутамд мэдээлэх, тарималын
ургалтын явц болон ургацыг урьдчилан тодорхойлох зэрэг улс
орны хүнсний аюулгүй байдлыг хангахад чухал хэрэгцээтэй шинэ
мэдээлийг үүсгэхүйц шинэлэг технологийг бүтээхийг шаардагддаг.
 Энэхүү судалгааны ажлаар олон төрлийн хиймэл дагуулын
мэдээний автомат боловсруулалт болон Монгол орны
тариалангийн талбайн зураглалын явцыг харуулахыг зорив.
Үндэслэл

22. 22
Зорилго, зорилт
 Судалгааны ажлын зорилго нь Монгол орны бэлчээр
болон тариалангийн газрын мониторинг хийхэд олон
төрлийн хиймэл дагуулын мэдээг цогц байдлаар
ашиглах боломжыг судлах явдал юм.
 Дараачийн зорилт нь Sentinel-2 болон Ландсат-8 хиймэл
дагуулын мэдээнээс зурган бүтээгдэхүүн үүсгэж тариалангийн
талбайн төлөв байдалд үнэлэлт өгөх явдал болно.
 Эхлээд Монгол улсын түвшинд байгаль орчны мониторинг
хийхэд S-NPP мэдээг ашиглах болон 10 хоногийн давтамжтай
нийлмэл NDVI зурган бүтээгдэхүүнийг үүсгэхийг зорьсон.

23. 23
 Автомат боловсруулалтын системийг S-NPP EDR, Himawari-8
болон бусад хиймэл дагуулын олон спектрийн мэдээлэлд
тулгуурлан хөгжүүлсэн.
 S-NPP EDR ургамлын индекс VIVIO нь HDF5 өргөтгөлтэй 375
метрийн орон зайн нарийвчлал, GITCO гео байрлалтай бол
Sentinel-2 нь 1C, харин Ландсат-8 нь 1-р түвшний өгөгдөл юм.
 Анхдагч мэдээллүүдийн өргөтгөлийг өөрчилж радиометрийн
утгад тохиргоо хийсэн. Тэдгээр пикселүүдийг агаар мандал дээрх
ойлтын утгад хөрвүүлж, газарзүйн координат руу шилжүүлсэн.
 NDVI-г бодуулж өнгөний нийлэмж зургийг үүсгэсэн ба энэ нь
NDVI-н хамгийн өндөр утгад тулгуурласан. Төгсгөлд нь үүссэн
бит зургийг гаргалгаа өргөтгөл рүү хөрвүүлсэн.
Судалгааны арга зүй

24. 24
Судалгааны объект
 Улаан буудайн талбай бөгөөд хээрийн хэмжилт хийхэд
боломжтой, орон зайн байрлалыг харуулсан вектор өгөгдөлтэй
байх гэсэн шалгуураар Төв аймгийн Борнуур сумыг
мониторингийн талбайгаар сонгосон.
Талбайн байршил Sentinel-2 мэдээнээс хийгдсэн
талбайн маск зураг

25. 25
Ландсат-8 мэдээний онцлог
Sentinel-2 мэдээний онцлог
- Нарийвчлал: 10-60 метр
- Зураглалд хамрагдах талбай: 290 км
- Давтамж: 5 хоног
Хиймэл дагуулын мэдээ
- Ландсат-8 дагуулыг 2013 оны 2 сард хөөргөсөн.
- ETM+ болон TM мэдрэгчүүдтэй ижил загварын,
гэхдээ төхөөрөмжийн чадамжийг илүү
сайжруулсан. Ландсат-7 дагуулын мэдээг 8
өдрөөр нөхөж 16 хоногийн давтамжтайгаар
гадаргын хэмжилтийг хийдэг.

26. 26
• Suomi NPP (S-NPP) нь байгаль орчны мониторинг хийх зорилготой.
• 3000 км-н өргөн зурвасаар өдөр тутамд зураглал хийдэг туйлын
тойрог замын JPSS сүлжээ дагуулуудын шинэ үеийн анхны төлөөлөл.
• S-NPP нь үзэгдэх гэрэл, нэл улаан туяаны радиометрийн хэмжилт
хийх VIIRS мэдрэгчтэй ба байгаль орчны мэдээллийн бүртгэл буюу
EDR нэрээр өгөгдөл мэдээг нь түгээдэг.
• S-NPP VIIRS-н нэг чухал өгөгдөл нь 375 метрийн нарийвчлалтай
ургамлын индекс EDR юм.
• Шинжлэх ухааны нийгэмлэгүүд дэлхийн байгаль орчны
өөрчлөлтийн судалгаанд VIIRS EDR өгөгдлийг ашиглахад өндөр
чадамжтай бөгөөд өргөн боломжийг олгодог.
• S-NPP EDRs өгөгдлийг CLASS (www.class.ncdc.noaa.gov) болон
Висконсины их сургуулийн сайтаар дамжуулан архивлаж түгээдэг.
• VIIRS ургамлын индекс (VVI) нь агаар мандал дээрх ойлтын утгаас
бодуулсан ургамлын нормчлогдсон ялгаврын индекс (NDVI) болон
гадаргын ойлтоос бодуулсан ургамлын сайжруулсан индекс (EVI)
гэсэн 2 төрөл байна.
Suomi NPP (S-NPP)

27. 27
 Ландсат-8 хиймэл дагуулын 1-р түвшний өгөгдөл мэдээг агаар мандал
дээрх ойлтын утга болгож засварласан. Гэхдээ үзэгдэх гэрлээс ойрын нэл
улаан туяаны анхдагч сувгийн пиксел тус бүрийн утгыг мета файлыг ашиглаж
агаар мандал дээрх ойлтын утга руу шилжүүлсэн. NDVI-н утгыг Ландсат-8
хиймэл дагуулын 4 болон 5-р сувгийн мэдээг ашиглаж дараах томъёогоор
бодуулсан:
NDVI = (NIR-RED)/ (NIR+RED)
- Тариалангийн талбай доторх бүх пикселүүдийн дундаж утга - Ургалтын
явцыг тодорхойлоход тариалангийн талбайн хэмжээ болон зургийн
пикселийн нарийвчлал нь чухал үзүүлэлт болдог.
- Зураг дээрх талбайн төвийн пикселийн утга - Хэрвээ талбайн хэмжээ бага
бөгөөд OLI мэдрэгчийн 30 метрийн нарийвчлалтай зургийг ашиглаж байгаа
бол төвийн пикселийн NDVI-н утга нь ургалтын явцыг мониторинг хийхэд
зөв сонголт болдог. Улаан буудайн талбайн хувьд бүх пикселийн дундаж
NDVI-н утга нь мониторингийн индексийг тооцоолоход тохиромжтой байдаг.
Зургийн боловсруулалт болон үр дүн

28. 28
Ландсат-8 дагуулын бодит Ландсат-8 хиймэл дагуулын мэдээнээс
өнгөний нийлэмж зураг тооцоолсон тариалангийн талбайн ургалтын явц
Зургийн боловсруулалт болон үр дүн

29. 29
Sentinel-2 анхдагч өгөгдөл дээр
тариалангийн талбайн NDVI-г
давхцуулсан зураг
Sentinel-2 зургаас
зурагласан тариалангийн талбай
Зургийн боловсруулалт болон үр дүн

30. 30
 S-NPP мэдээний хувьд ургамлын индексийг тооцоолсоны дараа WGS-84 газарзүйн
координатын солбицол руу шилжүүлсэн.
 Геометрийн заслыг дараах 2 үе шаттайгаар хийсэн. Эхлээд 375 метрийн
нарийвчлалтай гео байрлалын мэдээг уншуулсан. 1Б түвшний мэдээг зөв засварлахын
тулд 375 метр пикселийн төвийг олж хөрвүүлэхийг шаарддаг ба дараалласан
замналуудын хооронд давхцал үүсдэг тул зураг тус бүрийг тус тусад нь шилжүүлэх
шаардлагатай болдог.
 Хоёр дахь шат нь түүхий өгөгдөл мэдээг WGS-84 газарзүйн координатын солбицол
руу шилжүүлэх явц юм. Энд түүхий зурагны пиксел бүрийг газарзүйн координат руу
шилжүүлэхдээ хамгийн ойрх хөршийн аргыг ашиглаж хувиргалт хийсэн. Дараа нь
хоосон пикселийг илрүүлж утгыг нь хос шугаман аргаар тооцоолсон.

31. 31
 Шинэ хиймэл дагуулууд болох Ландсат-8 болон Sentinel-2-н
үр дүнг харуулсан зургууд нь ХАА-н салбарт мониторинг
хийхэд өөр өөрсдийн өвөрмөц боломж байгааг харуулж байна.
 10-30 метрийн орон зайн нарийвчлал нь NDVI мэдээнээс
полигон доторх талбайн дэлгэрэнгүй байдал болон өсөлтийн
ялгааг харуулж чадсан.
 S-NPP нь MODIS хиймэл дагуулын шинэ үе юм. Эдгээр 3
хиймэл дагуул нь мониторинг хийх технологи тэр дундаа ХАА,
бэлчээрийн менежментэд шинэлэг боломж, арга технологийг
олгож байна.
 Дээрх хиймэл дагуулуудын гол онцлог нь үнэ төлбөргүй
бөгөөд нийтэд нээлттэй байдаг.
Хэлэлцүүлэг

32. 32
 S-NPP EDR мэдээнээс 10 хоногийн давтамжтай нийлэмж
зургийг үүсгэх автомат боловсруулалтын аргыг хөгжүүлсэн ба
нийлэмж зураг нь Монгол улс төдийгүй Ази тивийг хамардаг.
 Дээрх 3 шинэ хиймэл дагуулыг ашиглан мониторинг хийх нь
тариалалт хийгдсэн талбайн динамик өөрчлөлт, тарималын
өсөлтийн явц, ургацыг урьдчилан тодорхойлох зэргээр
тариалангийн нөхцөл байдалтай холбоотой мэдээллээр хангах
ба энэ нь тандан судлалын салбарт шинэлэг технологи юм.
 Энэ төрлийн мэдээлэл болон зураг нь засгийн газрын хувьд
улс орны эдийн засгийн төлөвлөлт, хүнсний аюулгүй байдлыг
хангахад чиглэсэн шийдвэр гаргахад ач холбогдол бүхий суурь
мэдээлэл нь болдог.

33. 33
1. Bartholome, E., and Belward, A.S., 2005, GLC2000: a new approach to global land
cover mapping from earth observation data. International Journal of Remote Sensing 26
(9), pp. 1959-1977.
2. BIGGS, T.W., THENKABAIL, P. S., GUMMA, M. K., SCOTT, C. A.,
PARTHASARADHI, G. R., and TURRAL, H. N., 2006, Irrigated area mapping in
heterogeneous landscapes with MODIS time series, ground truth and census data,
Krishna Basin, India. International Journal of Remote Sensing 27(19) pp. 4245–4266
3. Defries, R., Hansen, M., and Townshend, J., 1995, Global discrimination of land cover
types from metrics derived from AVHRR Pathfinder data. Remote Sensing of
Environment 54, pp. 209-222.
4. Glob Cover Land Cover version 2008 database, 2008, European Space Agency Glob
Cover Project, led by MEDIAS-France, [http://ionia1.esrin.esa.int/index.asp] accessed
20 June 2010.
5. Tateishi, R., Uriyangqai, B., Al-Bilbisi, H., Ghar, M.A., Tsend-Ayush, J., Kobayashi, T.,
Kasimu, A., Nguyen, T. H., Shalaby, A., Alsaaideh, B., Tsevengee, E., Gegentana., and
Sato, H.P., 2010, Production of global land cover data – GLCNMO. International
Journal of Digital Earth, 4, pp. 22-49.
6. Loveland, T.R., Reed, B.C., Brown, J.F., Ohlen, D.O., Zhu, J, Yang, L., and Merchant,
J.W., 2000, Development of a Global Land Cover Characteristics Database and IGBP
DISCover from 1-km AVHRR Data. International Journal of Remote Sensing 21,
pp.1303-1330.
Ном зүй

34. 34
Анхаарал тавьсан
явдалд баярлалаа