РЕГРЕССИОННЫЕ ПРОГНОЗЫ УРОЖАЙНОСТИ ОРОШАЕМЫХ ОЗИМЫХ КУЛЬТУР С ИСПОЛЬЗОВАНИЕМ СПУТНИКОВЫX ВЕГЕТАЦИОННЫХ ИНДЕКСОВ: МОДЕЛИ, ПРЕДИКТОРЫ И ЭКСПЕРИМЕНТЫ

Зена Хуссейн Халил, Санжар Муталович Абдуллаев

Аннотация


Технологии агрометеорологических прогнозов урожайности (АПУ) зерновых культур, включая регрессионные АПУ, основанные на данных о нормализованном вегетационном индексе (NDVI), являются важным элементом современной аграрной индустрии. Цель исследования: обосновать эвристическую модель урожайности и подходы к разработке моделей регрессионных методов АПУ, включая процедуру выбора предикторов АПУ по данным NDVI спутниковой системы наблюдений Moderate Resolution Imaging Spectroradiometer (MODIS) и провести экспериментальное прогнозирование. Материалы и методы. Используются данные официальной статистики урожайности орошаемых озимых пшеницы и ячменя иракской провинции Дивания и наблюдения NDVI MODIS за 2001–2019 годы. За основу принята двухкомпонентная эвристическая модель урожайности, содержащая тренд урожайности, обусловленный сравнительно медленным изменением технологии возделывания культур, и климатическую компоненту, связанную с колебаниями биологической продуктивности из-за погодных условий вегетации. Результаты. С помощью эвристической модели развит объектно-ориен­тированный подход к выбору предикторов регрессионной модели АПУ. Используя зависимость NDVI от проективного покрытия и листового индекса посевов, качественно и количественно определили эволюцию NDVI в отдельных стадиях развития пшеницы и ячменя. Показано, что в АПУ на уровне провинции в качестве исходных предикторов следует выбрать временные ряды NDVI-MODIS за первую и вторую половину февраля в трех зерносеющих районах провинции. Эксперименты показали, что удовлетворительное качество регрессионных АПУ ячменя и пшеницы достигается при различных наборах 2–3 исходных неколлинеарных предикторов и их комбинацией с величиной урожайности прошлого года либо включением линейных или квадратичных зависимостей. Выводы. АПУ пшеницы с относительной ошибкой около 10 % получаются только при подборе интервала обучения моделей и контроле параметров авторегрессионного предиктора. Высокое качество прогнозов регрессионных моделей АПУ ячменя обусловлено тем, что в изменчивости его урожайности преобладает климатическая компонента. Разработанный объектно-ориентированный подход может быть адаптирован к условиям богарного земледелия и прогнозу урожайности других культур.

Ключевые слова


прогнозы урожайности озимых пшеницы и ячменя, поливное земледелие в Ираке, NDVI MODIS, климатические аномалии урожайности, регрессионные модели

Полный текст:

PDF

Литература


Якушев, В.П. Опыт применения и перспективы развития технологий дистанционного зондирования Земли для сельского хозяйства / В.П. Якушев, Н.Н. Дубенок, Е.А. Лупян // Современные проблемы дистанционного зондирования Земли из космоса. – 2019. – Т. 16, № 3. – С. 11–23. DOI: 10.21046/2070-7401-2019-16-3-11-23

Халил, З.Х. Прогноз урожайности озимых пшеницы и ячменя в орошаемых субтропиках с использованием множественной регрессии и искусственных нейронных сетей / З.Х. Халил, С.М. Абдуллаев // Труды 63-й Всероссийской научной конференции МФТИ, 23–29 ноября 2020 года. Нано- ,био-, информационные, когнитивные и социогуманитарные науки и технологии. – М.: МФТИ, 2020. – С. 12–14.

Использование спутниковой информации MODIS в оперативной агрометеорологии / А.Д. Клещенко, В.М. Лебедева, Т.А. Найдина, О.В. Савицкая // Современные проблемы дистан¬ционного зондирования Земли из космоса. – 2015. – Т. 12, № 2. – С. 143–154.

Лебедева, В.М. Основы сельскохозяйственной метеорологии. Т. II: Методы расчетов и прогнозов в агрометеорологии. Кн. 2: Оперативное агрометеорологическое прогнозирование / В.М. Лебедева, А.И. Страшная. – Обнинск: ФГБУ «ВНИИГМИ-МЦД», 2012. – 216 с.

Сиротенко, О.Д. Основы сельскохозяйственной метеорологии. Т. II: Методы расчетов и прогнозов в агрометеорологии. Кн. 1: Математические модели в агрометеорологии / О.Д. Сиротенко. – Обнинск: ФГБУ «ВНИИГМИ-МЦД», 2012. – 136 с.

Прогнозирование урожайности сельскохозяйственных культур на основе спутниковых данных: возможности и перспективы / И.Ю. Савин, С.А. Барталев, Е.А. Лупян и др. // Современные проблемы дистанционного зондирования Земли из космоса. – 2010. – Т. 7, № 3. – С. 275–285.

Метод прогнозирования урожайности по космическим наблюдениям за динамикой развития вегетации / В.Г. Бондур, К.Ю. Гороховский, В.Ю. Игнатьев и др. // Известия высших учебных заведений. Геодезия и аэрофотосъемка. – 2013. – № 6. – С. 61–68.

Методические указания по составлению прогнозов урожайности и валового сбора всех зерновых и зернобобовых культур, а также основных сельскохозяйственных культур в Прибалтике, Белоруссии и европейской части РСФСР / под ред. докт. геогр. наук А.Н. Полевого. – Обнинск: Всесоюзный научно-исследовательский институт сельскохозяйственной метеорологии, 1987. – 109 с.

Wheat growth guide // Agriculture and Horticulture Development Board. Cereals & Oilseeds. – 2018. – 44 р. – https://ahdb.org.uk/wheatgg.

Barley growth guide // Agriculture and Horticulture Development Board. Cereals & Oilseeds. – 2018. – 40 р. – https://ahdb.org.uk/barleygg.

Winter wheat yield forecasting in Ukraine based on Earth observation, meteorological data and biophysical models / F. Kogan, N. Kussul, T. Adamenko et al. // International Journal of Applied Earth Observation and Geoinformation. – 2013. – Vol. 23. – P. 192–203. DOI: 10.1016/j.jag.2013.01.002

Didan, K. MOD13Q1 MODIS/Terra Vegetation Indices 16-Day L3 Global 250m SIN Grid V006/ K. Didan // NASA EOSDIS Land Processes DAAC. Distributed by NASA EOSDIS Land Processes DAAC, 2015. DOI: 10.5067/MODIS/MOD13Q1.006

Khalil, Z.H. Sensitivity of Winter Crops to climate variability in the irrigated subtropics of Iraq (Al-Diwaniyah) / Z.H. Khalil, S.M. Abdullaev // Procedia Computer Science. – 2020 – Vol. 167. – P. 1066–1079. DOI: 10.1016/j.procs.2020.03.405

Дегтярев, А.С. Статистические методы обработки метеорологической информации: учеб. / А.С. Дегтярев, В.А. Драбенко, В.А. Драбенко. – СПб.: ООО «Андреевский издательский дом», 2015. – 225 с.

Абдуллаев, С.М. Жизненный цикл природно-антропогенных систем: концепция и методы исследования / С.М. Абдуллаев, О.Ю. Ленская, Ю.А. Сапельцева // Вестник Воронежского государственного университета. Серия: География. Геоэкология. – 2013. – № 2. – С. 99–106.

Халил, З.Х. Диагностика ландшафтов провинции Эль-Дивания (Ирак) по мультиспектральным снимкам Landsat-8 / З.Х. Халил, С.М. Абдуллаев // Вестник ЮУрГУ. Серия «Вычислительная математика и информатика». – 2018. – Т. 7, № 3. – С. 5–18. DOI: 10.14529/cmse180301

Терехин, Э.А. Влияние проективного покрытия растительности посевных площадей на ее отражательные свойства / Э.А. Терехин // Современные проблемы дистанционного зондирования Земли из космоса. – 2016. – Т. 13, № 3. – С. 61–71. DOI: 10.21046/2070-7401-2016-13-3-61-71

Zadoks, J.C. A decimal code for the growth stages of cereals / J.C. Zadoks, T.T. Chang, C.F. Konzak // Weed Research. – 1974. – Vol. 14, no. 6. – P. 415–421. DOI: 10.1111/j.1365-3180.1974.tb01084.x

Growth stages of mono- and dicotyledonous plants. BBCH Monograph / U. Meier (Ed.). – 2nd edition. – 2001. – 158 p. DOI: 10.5073/bbch0515

Пшеница: история, морфология, биология, селекция: моногр. / В.В. Шелепов, H.H. Чебаков, В.А. Вергунов, B.C. Кочмарский. – Мироновка, 2009. – 575 с.

Potato Yield Prediction Using Machine Learning Techniques and Sentinel 2 Data / D. Gómez, P. Salvador, J. Sanz, J.L. Casanova // Remote Sens. – 2019. – Vol. 11. – 1745. – P. 1–17. DOI: 10.3390/rs11151745

Assessing the Performance of MODIS NDVI and EVI for Seasonal Crop Yield Forecasting at the Ecodistrict Scale / L. Kouadio, N.K. Newlands, A. Davidson et al. // Remote Sensing. – 2014. – Vol. 6. – P. 10193–10214. DOI: 10.3390/rs61010193

Agricultural Recommendation System for Crops Using Different Machine Learning Regression Methods / M. Garanayak, G.S. Sachi, N. Mohanty, A.K. Jagadev // International Journal of Agricultural and Environmental Information Systems. – January – March 2021. – Vol. 12, no. 1. – Р. 1–20. DOI: 10.4018/IJAEIS.20210101.oa1

Bassoa, B. Seasonal crop yield forecast: Methods, applications, and accuracies / B. Bassoa, L. Liua // Chapter 4 in Advances in Agronomy. – January 2018. – P. 201–255. DOI: 10.1016/bs.agron.2018.11.002


Ссылки

  • На текущий момент ссылки отсутствуют.