4.2.6. Развитие методов прогнозного моделирования динамики наземных экосистем на основе ассимиляции данных спутниковых наблюдений

Возможность оценки и прогнозирования динамики развития растительности особенно важна для задачи мониторинга состояния сельскохозяйственных культур. На данный момент в ИКИ разработаны методы мониторинга состояния сельскохозяйственных культур с помощью спутниковых данных. Создан и апробирован на территории Тульской области прототип системы мониторинга посевов озимой пшеницы на основе модели динамики развития растений. Для моделирования развития озимой пшеницы использовалась модель WOFOST (WOrld FOod STudies), представляющая собой механистическую модель, моделирующую развитие растения через описание основных процессов. Она имитирует фенологию растения, процесс фотосинтеза, дыхания, распределения ассимилированной биомассы по разным частям растения, эвапотранспирацию, водный баланс в почве и реакцию растения на засуху и экстремальную температуру. Модель воспроизводит динамику наиболее важных характеристик растения (биомасса, урожайность, листовой индекс) на протяжении всех этапов его развития от посева и до созревания.

Для работы модели необходимы данные о характеристиках растительности, почвы и метеопараметрах. Метеоданные брались по данным метеостанций Росгидромета, с последующей их интерполяцией на регулярную сетку, покрывающую Тульскую область. Данные о типах почвы брались по карте почвенного покрова Тульской области. Моделирование осуществлялось на уровне отдельных полей. Поля для моделирования выбирались посредством пересечения карты с.х. полей для Тульской области с картой озимых посевов, полученных по спутниковым данным.
Для исследования возможности ассимиляции данных дистанционного зондирования в модель по данным спутникового аппарата MODIS была выполнена оценка значений доли проективного покрытия растительности FCover с временным интервалом в 4 дня.

Для оценки способности модели оценивать урожайность озимой пшеницы урожайность культуры по результатам моделирования агрегировались со всех полей Тульской области, и средняя урожайность для области по данным модели сравнивалась с официальной статистикой. Результаты сравнения приведены на рис. 7. По приведенным графикам можно сказать, что модель в целом способна адекватно воспроизводить урожайность.

 
Рис. 7 Сравнение прогнозных значений урожайности, осредненных до уровня Тульской области, с официальной статистикой

Урожайность, полученная по данным модели с ассимиляцией ДЗЗ, почти совпадает по порядку значений урожайности с официальной статистикой (среднее значение за 6 лет - 27,6 и 26,4  ц./га соответственно), в то время как исходная модель дает завышенный прогноз урожайности (45,3 ц./га). Это позволяет нам предположить, что модель с ассимиляцией данных ДЗЗ позволяет более точно учесть неоптимальные условия на отдельных полях (неправильное внесение удобрения, наличие болезней и вредителей).

Этот вывод подтверждает и рис. 8, где показано сравнение результатов работы обеих версий модели в сравнении с данными полевых наблюдений. По этому рисунку видно, что модель без ассимиляции данных ДЗЗ показывает практически одинаковые значения урожайности для всех полей на тестовом участке, в то время как версия модели с ассимиляцией данных ДЗЗ и результаты полевых измерений демонстрируют большую вариацию значений урожайности для разных полей.

    
Рис. 8 Сравнение пространственного распределения урожайности озимых на уровне  полей по модели без ассимиляции данных (слева вверху) и с ассимиляцией данных ДЗЗ (справа вверху) в сравнении с данными полевых наблюдений (внизу).