Диссертация (1137223), страница 17

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 17)

Изменения параметровсостояния объектов в зависимости от области должны учитывать не только изменения в составепочвы, но и средние климатические условия в этом регионе.Достоинство этой модели заключается в том, что выбранная формула позволяетосуществлять более тонкую настройку параметров модели с учётом особенностей конкретнойобласти. Важным недостатком модели является тот факт, что настройка параметров требуетгораздо больше исходных данных для обучения.98Модель 2 является единственной локальной моделью, рассматриваемой в работе.

Какговорилось ранее параметры локальной модели (3.13) настраиваются на все области сразу. Этотфакт требует изменения матрицы «объекты-признаки» Vˆ :  V1 0    r1   0    No  00  Vr     1  P 1|V |1 0    0   Vr2   0        PN o ,Vˆ    0   No   00   Vr2  P2|V| V 1   00   rP        No   00  Vr    P   P 1|V |(3.14)PV| |где0- нулевой вектор, совпадающий по размерам с вектором сезонных наблюденийРазмерность матрицы Vˆ равнаV.PNo  MP .При этом общий вид формул для описания процессов обучения и прогнозированияостаётся прежними, то есть (3.11) и (3.12) соответственно.3.3.3Модель с мультипликативной поправкой для областей.Для успешного практического применения базовая модель должна быть расширена,поскольку при дальнейшем возможном увеличении числа исследуемых регионов условиенезначительного отличия почвенно-климатических условий для всех областей может невыполняться.В случае, когда количество статистических данных, доступных для настройки моделейдля каждой из культур, не является достаточным, следует уменьшить количество регулируемыхпараметров.

Так, в частности, можно предположить, что основной вклад, приводящий котклонению значения урожайности от области к области, вносят следующие факторы:99плодородие почв в области;климатические особенности для каждого региона;количество солнечного света, зависящее от географического расположенияобласти.В то же время, чтобы построить модель, сознательно игнорируется смещение периодавегетации во времени для различных административных областей, выбранных для данногоисследования. Используя предположения, приведённые выше, получаем следующую формулудля прогностической функции:Myrk  Crk   k    km vm r  ,m1r , yrk , vm r , k , km – определеныгдевформуле(3.15)(3.10);Crk– коэффициентпроизводительности в области для конкретного типа культуры.В матричном виде процесс обучения модели 3 имеет вид  Y   Regions .Vˆ   0  ,  (3.16)где  Regions – вектор параметров производительности областей, совпадающий по размерам свектором ответовY.Формула для процесса прогнозирования в матричном видеY Regions .VˆNˆtNˆtгде  Regions   0  ,    (3.17)– вектор параметров производительности областей, сформированный с учётомN̂tчисла тестовых лет;ˆ .Regions Nˆ t задаётся аналогично формуле (2.30) с учётом замены Nˆ о на Nt3.3.4Трендовая модель с мультипликативной поправкой для областей.На протяжении последних десятилетий во всем мире наблюдается устойчивый ростпоказателя урожайности сельскохозяйственных культур [129, 136].

Вероятность сохраненияподобной тенденции к увеличению показателей урожайности в ближайшие несколько лет100достаточно высока, поскольку актуальна необходимость обеспечивать растущее населениепланеты пищей.Анализ результатов прогнозирования с использованием модели 3 показывает наличиекорреляция между годом прогнозирования и относительным отклонением нашего прогноза отфактических данных. Этот факт отражён на рисунке3.6, где показаны относительныеотклонения (со знаком) прогнозов от реальных значений урожайности.Рисунок 3.6 – Появление долгосрочного тренда в результатах прогнозированиямоделью с мультипликативной поправкой для яровой пшеницы (a), озимой пшеницы(б), овощей (в) и картофеля (г)Отрицательныезначенияотклоненияпоказывают,чтофактическоезначениеурожайности оказывается ниже, чем предсказанное моделью, а положительные значенияхарактеризуют обратный эффект.

Усреднённые значения стандартных отклонений по всемисследуемым областям в зависимости от года также отмечены на рисунке 3.6, в виде планокпогрешностей для каждого типа культуры.101Характер отклонений, приведённых на рисунке 3.6, позволяют выдвинуть гипотезу осуществовании долгосрочной тенденции к улучшению урожайности, которая не зависит отиндексов состояния растительности.Предполагая, что линейную зависимость величины изменения показателя урожайностиот времени на рассматриваемом интервале, улучшим формулу из модели прогнозирования 3(3.15) с учётом долгосрочного тренда. Выразим среднее значение урожайности для текущегогода через урожайность предыдущего года по следующему правилу:ycurrent  ystart  Ycurrent  Ystart  ,ystartгде ycurrentи(3.18)ystart – средние значения урожайности для текущего года Ycurrent и для годаначала наблюдений Ystart соответственно;– относительный годичный прирост урожайности,обусловленный наличием долгосрочного тренда.Выразим ycurrent через остальные переменные:ycurrent  1   Ycurrent  Ystart   ystart .(3.19)Получаем следующую формулу для уточненной модели урожайности:Myrk  1   Y  Ystart   Crk   k    km vmm 1,r(3.20)где r , yrk , Crk , v  t  r ,  k ,  km определены в формуле (3.15); Y – текущий год, для которогоосуществляется прогнозирование; Ystart – год начала наблюдений;определена в формуле(3.18).Данный приём позволяет наложить периодичность сезонных колебаний вегетационногоиндекса на трендовую динамику статистических данных об урожайности за предыдущие годы.Выпишем матричный вид уравнений для процессов обучения модели 4  Y  1    .Years .  Regions .Vˆ   0  .  (3.21)Тогда процесс прогнозирования описывается следующей формулойY  1    ˆ .

Years Nˆ t .где N̂ tNtRegions .VˆNˆtNˆt   0  ,    ˆ ;– трендовый параметр для соответствующего тестового набора лет NtYears Nˆ t – задаётся аналогично формуле (2.1) с учётом замены Nˆ о на Nˆ t .(3.22)1023.3.5Использование метео-климатических данных для построенияпредикативного вектораВ предыдущих исследованиях в качестве предиктора прогностической функциииспользуется индекс NDVI, который имеет высокий уровень корреляции с количествомфотосинтетически активной биомассы [180]. Однако, информативность данного индекса припрогнозировании урожайности в рамках описанного в данной работе подхода носитограниченный характер, который определяется следующими факторами:— 16-дневные композиты, используемые для извлечения NDVI, не позволяютспецифицировать наблюдения за состоянием вегетации на дневные и ночные;— период сезонных наблюдений включает помимо весенних месяцев, также зимние,для которых характерно отсутствие зелени.Многие исследования показывают, что урожайность сельскохозяйственных культурзависит от климатических условий, сопутствующих процессу вегетации и созревания, длярассматриваемой территории [48, 50].

В связи с этим предлагается дополнить модель новымкомплексным индексом, описывающим состояние растительности, в который входятусреднённые по области значения температуры и количества осадков. Для вычисленияусреднённого значения температуры используется 8-дневные композиты LST сенсора MODIS,содержащие ночные и дневные наблюдения. Формула для вычисления нового предиктора имеетследующий видvmгде NDVI mLSTmrrr NDVI m r * LSTm r ,(3.23)– усредненное по области значение индекса NDVI для момента наблюдения m ;– усредненное по области значение индекса LST для момента наблюдения m .Использование в качестве информативного признака температурного индекса LSTпозволяет учитывать факторы, влияющие на состояние растительности в ночное время.

Этаособенность данных даёт положительный отклик предлагаемых моделей при прогнозированииурожайности сельскохозяйственных культур, количественных характеристик которых независят напрямую только от количества фотосинтетической биомассы, например картофель.В дальнейшем предполагается дополнить комплексный индексинформацией о количестве выпавших на рассматриваемой территории осадков.vi   1 ,...,  Iˆ 1033.3.6Рекомендации по применению разработанных моделейНа основе экспериментальных данных строится набор эмпирических моделейпрогнозирования по данным дистанционного зондирования Земли.

Применимость моделейопределяется набором условиями, которые сведены в таблицу 3.1.Таблица 3.1 – Условия применимости разработанных моделей прогнозирования.№1.2.3.4.НазваниемоделиОписание условийприменимости модели.Модель 1Набор параметров,описывающих состояниеобласти в период сезонныхнаблюдений, мало отличаютсядля различных областей.Модель 2Модель 3Модель 4Набор параметров,описывающих состояниеобласти в период сезонныхнаблюдений, отличаются дляразличных областей.Выполняются условия длямодели 1. Существует внешнийфактор, влияющий на значениепрогнозируемойхарактеристики, который невходит в состав векторасостояния области.Выполняются условия длямодели 3. Присутствуетлинейный тренд статистическихданных для даннойхарактеристики.Настройка параметров модели взависимости от области интереса rp итипа характеристики k .r2r1r3kr2r1r3kr2r1r3kr2r1r3k104Выводы к главе 31.

Проведено исследование по выбору наиболее информативных признаков в задачепрогнозированияурожайностиподаннымДЗЗ.Предложенкомплексныйтемпоральный индекс состояния вегетации, который представляет собой комбинациюразличных факторов, оказывающих влияние на состояние растительности в течениесезонных наблюдений.2. Представленнабормоделейплодородиядляпрогнозированияурожайностисельскохозяйственных культур.

Характеристики

Список файлов диссертации