Аппроксимация рядов сезонного хода индексов вегетации является основой для эффективного мониторинга сельскохозяйственных культур, их идентификации и автоматизированной классификации пахотных земель. Для пахотных земель Хабаровского края в период с мая по октябрь 2021 года по мультиспектральным снимкам Sentinel-2A (20 м) с использованием маски облачности были построены временные ряды NDVI и EVI. Для приближения временных рядов были использованы пять видов аппроксимирующих функций: функция Гаусса; двойная гауссиана; двойная синусоида; ряд Фурье; двойная логистическая. Были построены и рассчитаны характеристики экстремумов аппроксимированных временных рядов для разных типов пахотных земель: гречихи, многолетних трав, сои, залежи и пара. Было показано, что для каждой сельхозкультуры аппроксимированные кривые сезонного хода имели характерный вид. Как было достоверно установлено (p<0,05), наиболее высокую точность аппроксимации рядов NDVI и EVI показал ряд Фурье (средняя ошибка составила, соответственно, 8,5% и 16,0%). Аппроксимация рядов NDVI с использованием двойной синусоиды, двойной гауссианы и двойной логистической функции приводила к увеличению ошибки до 8,9-10,6%. Аппроксимация рядов EVI на основе двойной гауссианы и двойной синусоиды способствовала росту средней ошибки до 18,3-18,5%. Проведенный апостериорный анализ с использованием критерия Тьюки показал, что для полей с соей, парующих и залежных земель для приближения индексов вегетации достоверно лучше использовать ряд Фурье, двойную гауссиану или двойную синусоиду, для полей с гречихой целесообразно применять ряд Фурье или двойную гауссиану. В целом, средняя ошибка аппроксимации сезонных временных рядов NDVI в 1,5-4 раза меньше, чем ошибка аппроксимации рядов EVI.

Automatic cropland monitoring is becoming increasingly important in the advancement of sustainable agriculture. However, multiannual satellite-based crop mapping across different regions remains challenging due to variations in crop phenology and meteorological conditions. The use of multispectral data from a single satellite can also present difficulties in constructing vegetation index time series, particularly in regions affected by persistent cloud cover. In this study, NDVI time series obtained from Sentinel-2 and Landsat-8/9 imagery were fitted using a Fourier series, and daily NDVI composites from the Meteor-M satellite were obtained for Khabarovsk Krai in the Russian Far East from 2022 to 2024. These data were used to perform random forest (RF) classification for each year for five land cover classes: soybean, grain crops, perennial grasses, buckwheat, and fallow land. The average annual classification accuracies were 87% for Landsat 8/9, 89% for Meteor-M, and 93% for Sentinel-2. Combining data from all three satellites improved classification performance, increasing cross-validation overall accuracy from 92% to 96% in 2022, from 96% to 97% in 2023. These results demonstrate the potential of using both individual satellite data for sufficiently accurate mapping and combined datasets, which provide consistently high accuracy and are a reliable alternative when Sentinel data are limited due to cloud cover.