Оценка урожайности

Разработка методов оценки урожайности сельскохозяйственных культур на основе спутниковых данных велась по трем направлениям:
 

• оценка урожайности на основе поиска года-аналога для развития растительности пахотных угодий в текущем сезоне вегетации для временных серий вегетационного индекса, полученного по данным MODIS;
   
• прогнозирование урожайности на основе построения регрессионных зависимостей между официальными статистическими данными и величинами вегетационного индекса по данным MODIS;
   
• моделирование накопления биомассы сельскохозяйственных растений по спутниковым и метеорологическим данным.

В рамках первого направления разработаны методы автоматизированного определения года-аналога для временной серии NDVI текущего сезона вегетации. Проведен анализ соответствия урожайности выявляемого года-аналога данным официальной статистики. Установлено, что метод позволяет получать предварительную информацию о состоянии растительности пахотных угодий на уровне областей или административных районов. Использование его для оценки урожайности возможно лишь для отдельных регионов и отдельных культур. Для повышения надежности оценки урожайности этот метод должен использоваться в сочетании с другими методами. Разработаны рекомендации по использованию данного подхода и определены основные направления исследований по его усовершенствованию.

При разработке второго направления были использованы данные об индексе NDVI по показаниям спутниковых аппаратов SPOT-VEGETATION и MODIS. Также использовались климатические данные о температуре и осадках,  карта пахотных земель, созданная по базе данных GLC 2000 и карта земель с посевами озимых культур, построенная на основе данных MODIS. Для каждого региона (области) строились различные наборы предикторов урожайности, например:
 

• сезонный максимум NDVI, осредненный для регионов по пахотным землям и по землям с посевами озимых культур;
   
• значение NDVI во время цветения озимой пшеницы, осредненное как в предыдущих примерах;
   
• значения NDVI за каждую декаду в году, осредненные как в предыдущих примерах;
   
• различные климатические параметры, такие как средняя температура воздуха за октябрь-ноябрь предыдущего года, средняя температура за март-апрель, абсолютный минимум температур в мае, сумма осадков за период август-сентябрь.

Используя значения этих предикторов за текущий год и уравнение парной линейной регрессии, построенное по значениям этого предиктора за прошлые годы,  предсказывалось значение урожайности культуры в текущем сезоне. Из множества всех построенных регрессий для предсказания урожайности выбирались наиболее качественные регрессии. Критерием качества являлся квадрат корреляции между значениями предиктора и урожайности за прошлые годы. Все регрессии, для которых этот показатель меньше 0,8 не рассматривались.
Подход был апробирован на примере прогнозирования урожайности озимой яровой пшеницы для всех регионов России. По данным предикторам почти в каждом регионе России удалось построить приемлемые уравнения регрессии, по которым можно предсказать урожайность. Для регионов, где не удалось построить приемлемое уравнение парной регрессии, были построены множественные регрессии с использованием тех же предикторов, по которым также можно предсказать значение урожайности в регионе.

Для каждого региона была составлена таблица, в которой описано, насколько качественную регрессию удалось построить для каждого момента времени. В соответствии с этой таблицей, для каждого региона в определенный момент времени можно сделать предсказание с некоторой точностью, а затем, по ходу вегетационного сезона, постепенно улучшать его.

В результате исследований был разработан простой подход прогнозирования урожайности пшеницы на уровне областей, основанный на использовании преимущественно спутниковой информации. Данный подход позволяет прогнозировать урожайность озимой пшеницы с приемлемой точностью и хорошей заблаговременностью. Точность прогнозирования и заблаговременность потенциально еще может быть улучшена путем подбора более информативных предикторов урожайности.

В дальнейшем этот алгоритм предсказания урожайности можно применить к другим сельскохозяйственным культурам, выбрав предикторы в наибольшей степени учитывающие специфику вегетации и агротехники этих культур.

В рамках работ третьей группы разработан метод прогнозирования урожайности риса на основе моделирования накопления его биомассы. В основе метода лежат расчеты, основанные на учете приходящей солнечной радиации, ее доли, поглощенной посевами, а также учете воздействия на продуктивность фотосинтеза неоптимальных температурных условий, избытка радиации и потерь ассимилированных веществ на респирацию растений. Расчеты накопленной биомассы ведутся ежедневно на основе метеорологических данных и информации о faPAR, получаемой сенсором MODIS.

Разработанный метод протестирован на примере мониторинга посевов риса в Калмыкии, где моделирование накопления биомассы осуществлялось для полей с посевами риса, маска которых также была построена на основе данных MODIS. Результаты тестирования показали высокую перспективность данного подхода для прогнозирования урожайности риса. Прогноз урожайности удается получать в середине сезона вегетации. Преимуществом данного подхода является его полная независимость от статистических данных, качество которых многими специалистами часто ставится под сомнение, а также отсутствие необходимости регулярного сбора полевых данных или приобретения спутниковых данных высокого пространственного разрешения. Разработанный подход может быть адаптирован к прогнозированию урожайности риса и для других рисосеящих регионов России.