МЕТОДИКА ОБРАБОТКИ ВРЕМЕННЫХ РЯДОВ NDVI ДЛЯ ОЦЕНКИ ДЕГРАДАЦИИ ЗЕМЕЛЬ

2026

Closed access Metadata (CSL-JSON)
DOI 10.51775/2790-0886_2026_73_2_222
Data confidence 85 high
How this score is calculated

It is built from checkable properties of the record itself: whether the article has a DOI, how many independent sources confirmed its data, whether the required fields are filled in, and how recent the latest confirmation is. Disagreement between sources and a missing identifier lower it. A value of 80 or above means the record was published without further checking; 60 to 79 means it is published at reduced confidence, with a manual check advisable. A record verified by an editor by hand is never pushed below 90 by a recalculation. This scores our data about the article, not the article itself.

Abstract

Представлена методика построения 30-летнего (1995–2024 гг.) временного ряда нормализованного разностного вегетационного индекса (NDVI) для Акмолинской области Казахстана на основе гибридного облачно-локального подхода к обработке спутниковых данных Landsat. В среде Google Earth Engine реализован стандартизированный конвейер предобработки, обеспечивающий сквозную совместимость снимков четырёх сенсоров (Landsat 5, 7, 8, 9): маскирование облаков и их теней по слою QA_PIXEL, унификацию спектральных каналов и формирование годовых медианных композитов NDVI за вегетационный сезон (май–сентябрь). Сборка и первичный анализ экспортированного массива (~6 ГБ, 30 GeoTIFF) выполнены в Python с применением библиотеки Dask, что позволило обойти ограничения оперативной памяти при работе с данными объёмом 4434 × 11133 пикселя. Анализ полученного стека показал выраженную межгодовую изменчивость регионального NDVI (M = 0,31; SD = 0,05) без признаков монотонного долгосрочного тренда деградации; минимум вегетационной активности зафиксирован в 1998 г. (NDVI = 0,21), максимум — в 2024 г. (NDVI = 0,43). Пространственный анализ выявил устойчивую ландшафтную дифференциацию и повышенную межгодовую нестабильность NDVI в зонах богарного земледелия. Сформированный набор данных готов для попиксельного трендового анализа и обучения моделей машинного обучения для оценки и прогнозирования деградации земель.