Автореферат (1137222), страница 4
Текст из файла (страница 4)
Вводится дополнительный параметр!, который позволяет учитывать наличие тенденции к увеличению показателей урожайности.Прогнозируемое значение урожайности для областиrи культуры k на основе модели 4имеет вид:M#$yrk = &*1 + ! (Y % Ystart )'+ Crk ( " k + . " km vm r ) ,m =1,-(3)Y – текущий год, для которого осуществляется прогнозирование; Ystart – год началанаблюдений,!– относительный годичный прирост урожайности, обусловленный наличиемдолгосрочного тренда.Состояние растительности достаточно достоверно регистрируется по данным ДЗЗ сиспользованием вегетационного индекса NDVI.
Тем не менее, на величину урожайностисельскохозяйственных культур влияют другие факторы, такие как температура окружающейсреды (воздуха, верхнего слоя почвы), количество выпавших за сезон осадков и т.д. При этомтемпература земной поверхности, вычисляемая по LST (land surface temperature), являетсяодним из тех параметров, которые можно измерять количественно с помощью методовдистанционного зондирования.Проведенный анализ факторов, которые влияют на урожайность с/х культур, позволилразработать новый предикативный вектор на основе комбинации вегетационного индексасостояния растительности и температуры земной поверхности, учитывающий наблюдения вдневное и ночное время суток16vmгде NDVI m; LSTmrrr(= NDVI m r * LSTm),2r(4)– усредненное по области значение индекса NDVI для момента наблюдения m– усредненное по области значение LST для момента наблюдения m .В Главе 4 представлены анализ результатов применения разработанного метода дляпрогнозирования урожайности различных областей РФ и различных сельскохозяйственныхкультур.
Методы и модели реализованы на языке Matlab, часть процедур предварительнойобработки изображений, включая структурирование данных в датасеты и геопривязку,выполнены на языке IDL 8.0. Коллекция данных долгосрочных наблюдений формируется измноголетних серий мультиспектральных космических изображений, полученных со спутникаTerra, сенсор MODIS, и по данным наземных измерений величины урожайности различныхс/х культур, полученных из базы данных официальной статистики РФ. Исходное изображениеMODIS содержит 36 спектральных каналов в видимом и инфракрасном диапазонах.
Векторыинформативных признаков для настройки параметров моделей строятся на основе индексаNDVI и LST, которые являются продуктами MOD13A1 и MOD11A2 исходногомультиспектрального изображения с пространственными разрешения 500 и 1000 метровсоответственно. NDVI вычисляется по двум каналам, соответствующим ближнемуинфракрасному (841-876 нм) и красному (620 – 670 нм) диапазонам длин волн, а LST – по 31му (10.780-11.280 мкм) и 32-му (11.770-12.270 мкм) каналам соответственно. Общий размерколлекции изображений, обработанных в ходе численных экспериментов, составляет 30160.Обучениемоделейпроводитсясиспользованиемалгоритмовмногомернойоптимизации.
Результатом прогнозирования является ожидаемое значение урожайностисельскохозяйственных культур для различных территорий. Проводится анализ применимостимоделей с помощью процедуры кросс-валидации. Оценивается значимость полученныхпрогнозов. Получены и проанализированы графики зависимости точности прогнозированияот продолжительности сезонных наблюдений и момента прогнозирования (см. Рис. 8).17Рисунок 8 – График изменения точности пшеницы с использованием Модели 4 взависимости от даты совершения прогноза для прогнозирования яровойАнализ результатов численных экспериментов показывает, что использование новоготемпорального индекса состояния растительности (4) в качестве вектора признаков длясозданных многомерных параметрических моделей позволяет повысить заблаговременностьпрогноз на 1-2 месяца в зависимости от с/х культуры.На рисунке 9 приводятся результаты вычислительных экспериментов с набороммоделей, описанных в главе 3.
Проводится две серии экспериментов с различным числомобластей интереса и продолжительностью долгосрочных наблюдений.Рисунок 9 – Результаты прогнозирования урожайности овощей в 2013 году с использованиеммодели 4 для различных областей РФ.В первой серии экспериментов лучшая из представленных моделей показываютхорошую точность прогнозирования 90% в региональном масштабе по 3-м с/х культурам(зерновые, овощи, картофель) на тестовом наборе из 14 областей РФ за 2000-2009 гг. Припроведении второй серии экспериментов на расширенном диапазоне тестовых лет 2000-2015и увеличенном наборе областей РФ до 29 наблюдается понижение точности до 87-75% по 4м с/х культурам при увеличении заблаговременности прогнозов на 1-2 месяца в зависимостиот культуры.
Прогнозы, полученные в обеих серия экспериментов, являются статистическизначимыми. Следует отметить, что метод позволяет не использовать маски посевов, чтоделает его экономически более выгодным в сравнении с аналогичными подходами.ОСНОВНЫЕ РЕЗУЛЬТАТЫ ДИССЕРТАЦИИ1.!Разработан метод прогнозирования характеристик объектов на земнойповерхности по мультиспектральным космическим изображениям на основе данныхдолгосрочных наблюдений без привлечения подспутниковых измерений, учитывающий18сезонные и многолетние вариации параметров их состояния. Реализованы основныепроцедуры предварительной обработки мультиспектральных космических изображений, сиспользованием которых осуществляется систематизация и структурирование изображений вдатасеты по признаку области интереса.2.!Разработан, реализован и протестирован метод выделения объектов на основеанализа динамики состояния объектов по сериям разновременных космических изображений.Проверка работоспособности метода проведена для детектирования растительности иуточнения карт растительности.
Также на основе работы метода построена процедуравыделения информативного сигнала из данных многолетних наблюдений, которая позволяетпостроить карту растительности внутри области интереса. Построенные карты растительностидля всех областей интереса поступают на вход процедурам метода прогнозированияхарактеристик объектов на земной поверхности, что приводит к увеличению точностипрогнозирования.3.!Создан набор параметрических моделей прогнозирования урожайностиразличных сельскохозяйственных культур. Проведены серии численных экспериментов сиспользованием созданных моделей согласно методу прогнозирования характеристикобъектов на земной поверхности по мультиспектральным космическим изображениям.Анализ результатов численных экспериментов показал, что разработанный методпрогнозирования для лучшей модели «Трендовая модель с мультипликативной поправкой дляобластей» даёт конкурентный уровень точности прогнозов и высокую заблаговременностьпрогнозирования для отдельных сельскохозяйственных культур, не используя при этом масокпосевов в отличие от других подходов.4.!Получены оценки точности и значимости прогнозов урожайности дляразличных лет.
Проведено исследование влияния продолжительности сезонных наблюденийи состава предикативного вектора модели на точность осуществляемого прогноза. Проведеныдве серии экспериментов с различными наборами лет на обучение и тестовых данных, которыеподтверждают работоспособность предложенных в работе методов и моделей.5.!Программы,реализующиеразработанныеметоды,зарегистрированывгосударственном реестре программ для ЭВМ и включены в состав макета аппаратнопрограммного комплекса в рамках НИР «Разработка методов оценки плодородия и степенидеградации почв на основе комплексного анализа многоспектральных оптических ирадиолокационных космических изображений» (проект 2011-1.5-515-043), проведённой вНИИ «АЭРОКОСМОС» в 2011-2013 годах.СПИСОК ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ19Работы, опубликованные автором в ведущих рецензируемых научных журналах и изданиях,рекомендованных ВАК:1.! Бондур, В.Г.
Метод прогнозирования урожайности по космическим наблюдениямза динамикой развития вегетации / В.Г. Бондур, К.Ю. Гороховский, В.Ю.Игнатьев, А.Б. Мурынин, Е.В. Гапонова // Известия вузов. Геодезия иаэрофотосъемка. – 2013. – № 6. – С. 61-68. – 0,6 п.л. (личный вклад автора 0,5 п.л.)2.! Мурынин,А.Б.Прогнозированиеурожайностинаосновемноголетнихкосмических наблюдений за динамикой развития вегетации / А.Б. Мурынин, В.Г.Бондур,В.Ю.Игнатьев,К.Ю.Гороховский//Современныепроблемыдистанционного зондирования Земли из космоса. - 2013. – Т.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
