Правдинский муниципальный округ находится на юго-западе Калининградской области, его территория пересекается рекой Лава (приток Преголи) и Мазурским каналом. Он граничит с Польшей на протяжении 55 км. Границы Правдинского муниципального округа общей протяженностью около 180 км включают участки, смежные с другими муниципальными образованиями: с Багратионовским городским округом – 30,2 км, с Гвардейским городским округом – 50,5 км, с Черняховским городским округом – 21,2 км, с Озерским городским округом – 19,5 км, а также с территорией Республики Польша – 55 км.

Рисунок 1. Правдинский муниципальный округ на карте Калининградской области [1]

Правдинский муниципальный округ охватывает территорию площадью 128,4 тыс. га, что составляет 8,5% общей площади Калининградской области.

Распределение категорий земель в данном муниципальном образовании представлено в табличной форме. Таблица составлена на основе карты градостроительного зонирования «Правила землепользования и застройки муниципального образования «Правдинский муниципальный округ» [1].

Таблица 1.

Категории земель МО «Правдинский муниципальный округ»

Как видно из таблицы основная часть территории муниципального образования занята землями сельскохозяйственного и лесного назначения, в то время как земли особо охраняемых территорий и объектов занимают минимальную долю.

Площадь сельскохозяйственных угодий в Правдинском муниципальном округе составляет 67646 гектаров. Разделение на виды сельскохозяйственных угодий следующее: пашни занимают 34580 гектаров (51,22%), пастбища — 23034 гектара (34,47%), сенокосы — 9769 гектаров (14,12%) и многолетние насаждения — 126 гектаров (0,19%).

При помощи космических снимков проведен мониторинг использования земель сельскохозяйственного назначения на территории МО «Правдинский муниципальный округ»

Мониторинг земель Правдинского района в Калининградской области проводился с использованием программного обеспечения QGIS 3.40 и GRASS GIS 8.4.0 на основе общедоступных снимков Landsat [2]. В данной работе использовались два снимка – за 2015 год и 2024 год.

Рисунок 2. Снимок с Landsat за 09.30 2015 года [2]

Рисунок 3. Снимок с Landsat за 05.17 2024 года [2]

Важным фактором в данном исследовании являлся подбор качественных снимков и выбор площади исследования.

В ходе исследования были выполнены следующие работы:

• Выбор объекта исследования;
• Подбор подходящего снимка;
• Импорт данных, экспорт данных в GRASS;
• Классификация;
• Пост классификация;
• Векторизация;
• Сравнение снимков в QGIS;
• Обоснование полученных результатов.

В начале работы исследуемые снимки были загружены в QGIS для цветокоррекции отображения снимков. В GRASS GIS снимки загружались для их перевода в необходимый для работы формат — tiff, для дальнейшего проведения их классификации.

Процесс классификации изображений в программе GRASS GIS с использованием методов без обучения представляет собой важный этап в анализе данных удаленного зондирования. Классификация без обучения означает автоматическую группировку пикселей в классы на основе их спектральных характеристик. Это позволяет выделять различные типы объектов на изображении, такие как сельскохозяйственные культуры, водные поверхности, лесные массивы и другие элементы ландшафта.

При создании группы и подгруппы снимков до начала классификации важно учитывать несколько ключевых факторов. Прежде всего, необходимо правильно определить количество классов, что в данной работе составляло 15. Это число напрямую влияет на качество разделения объектов и интерпретируемость результатов. Слишком большое количество классов может привести к дроблению объектов, в то время как слишком малое объединит различающиеся поверхности в одни и те же классы, что затруднит дальнейший анализ.

Степень интерпретируемости полученного классифицированного изображения также зависит от характеристик местности. Например, в регионах с однородными ландшафтами и растительностью классы могут быть более четко выделены. Однако на территориях с разнообразием типов земель использование одинакового количества классов может создать путаницу в интерпретации данных. Поэтому выбор параметров классификации, включая пороговые значения для кластеризации, может потребовать значительных экспериментов и испытаний.

Необходимо отметить что использование дополнительных вегетационных индексов, таких как NDVI, может помочь увеличить точность классификации. Эти индексы позволяют отделить растительность от других объектов на земле, а также служить дополнением к базовым спектральным характеристикам, что в конечном итоге улучшает различение классов. После завершения классификации результаты анализа могут быть использованы для дальнейших исследований и принятий решений о землевладении, управлении ресурсами и охране окружающей среды.

Земли сельскохозяйственного назначения на изображениях, полученных в программе GRASS GIS, обозначены желтым и светло-зеленым (салатовым) цветом.

Рисунок 4. Результат объединения классов Лес и СХ земли в разные группы (2015г)

Рисунок 5. Результат объединения классов Лес и СХ земли в разные группы (2024г)

Анализ использования земель сельскохозяйственного назначения на представленных изображениях может дать ценную информацию о распределении и характере сельскохозяйственных угодий в данном районе.

На рисунке 4 желтые участки могут указывать на земли, использующиеся для выращивания определенных культур, тогда как светло-зеленые области могут обозначать низкорослые культуры или пашни, находящиеся в стадии роста. Сравнительно яркие цвета могут также указывать на участки с высокой продуктивностью или интенсивным земледелием. Четкое различие между этими цветами позволяет оценить разнообразие используемых культур и провести мониторинг их состояния.

На рисунке 5 желтые области могут обозначать более зрелые или созревающие культуры, в то время как светло-зеленые участки могут указывать на менее интенсивные земли или участки, которые недавно подверглись обработке.

Анализ распределения сельскохозяйственных земель также может включать оценку фрагментации земель. Если желтые и светло-зеленые участки распределены равномерно и имеют смешанную структуру, это может указывать на интегрированное ведение хозяйства, тогда как изолированные участки могут свидетельствовать о недостаточной агрономической стратегии, что может привести к снижению устойчивости и продуктивности.

Используя эти карты, можно также провести более детальное моделирование, включая прогнозирование урожайности на основе временных изменений в использовании земель, а также оценку воздействия климатических факторов и изменений в использовании земель на продуктивность сельскохозяйственных угодий. Это важно для планирования устойчивого сельского хозяйства и эффективного управления земельными ресурсами.

Рисунок 6. Фактические контуры полей в прогнозе на 2026 год

Анализируя представленные снимки, можно наблюдать устойчивое развитие и использование земель сельскохозяйственного назначения в данном районе. Эти данные свидетельствуют о том, что в регионе активно практикуется паровое земледелие, при котором земли с различной периодичностью отправляются в «пар». Данный подход способствует восстановлению плодородия почвы и оптимизации аграрной деятельности.

Наличии залежей свидетельствует о том, что на некоторых участках наблюдается временное прекращение сельскохозяйственной эксплуатации. Это может быть частью стратегии управления землей, направленной на поддержание экосистемной устойчивости и улучшение качества почв.

В целом, данные снимки подтверждают наличие сбалансированного и продуманного подхода к сельскохозяйственному использованию земель в данном районе.