Диссертация (1137223), страница 21
Текст из файла (страница 21)
Рис. 4.10 (в)) и яровой пшеницы (см. Рис. 4.11 (в)). Приэтом график для овощей (см. Рис. 4.12 (в)) также можно считать ожидаемым, посколькупроцесс созревания для культур этой группы завершается значительно раньше [74], чем длякартофеля и яровой пшеницы [78]. Таким образом, оптимальной датой прогнозирования впервой серии экспериментов для яровой пшеницы и картофеля является 23 мая, а для овощей –7 мая.После определения оптимальной даты прогнозирования для каждой с/х культурыперейдем непосредственно ко второй серии экспериментов с моделями прогнозирования нарасширенном периоде наблюдений – 14 лет и с увеличенным до 29 количеством областейинтереса.4.6.2Прогнозы с использованием уточнённой модели 1.Результаты прогнозирования урожайности пшеницы (яровая и озимая), овощей икартофеля с использованием модели 1 представлены на рисунках 4.13 (а)-(г).129(а)(б)(в)(г)Рисунок 4.13 – Вторая серия экспериментов.
Сравнение результатовпрогнозирования в 2013 году с использованием модели 1: (а) яровая пшеница, (б)яровая пшеница, (в) овощи, (г) картофель4.6.3РезультатыПрогнозы с использованием уточнённой модели 2.прогнозированияурожайностизерновых,использованием модели 2 представлены на рисунках 4.14 (а)-(г).овощейикартофеляс130(а)(б)(в)(г)Рисунок 4.14 – Вторая серия экспериментов. Сравнение результатовпрогнозирования в 2013 году с использованием модели 2: (а) яровая пшеница, (б)яровая пшеница, (в) овощи, (г) картофель4.6.4РезультатыПрогнозы с использованием уточнённой модели 3.прогнозированияурожайностизерновых,использованием модели 3 представлены на рисунках 4.15 (а)-(г).овощейикартофеляс131(а)(б)(в)(г)Рисунок 4.15 – Вторая серия экспериментов. Сравнение результатовпрогнозирования в 2013 году с использованием модели 3: (а) яровая пшеница, (б)яровая пшеница, (в) овощи, (г) картофель4.6.5РезультатыПрогнозы с использованием уточнённой модели 4.прогнозированияурожайностизерновых,использованием модели 4 представлены на рисунках 4.16 (а)-(г).овощейикартофеляс132(а)(б)(в)(г)Рисунок 4.16 – Вторая серия экспериментов.
Сравнение результатовпрогнозирования в 2013 году с использованием модели 4: (а) яровая пшеница, (б)яровая пшеница, (в) овощи, (г) картофельАналогично процедуре, описанной в пункте 4.5, получим графики зависимости точностипрогнозов от момента прогнозирования для пшеницы (яровая и озимая), овощей и картофеля.Зависимость ошибок прогнозирования от момента прогноза показана на рисунке 4.9 дляурожаев яровой и озимой пшеницы (см. Рис. 4.17 (а), (б)) и картофеля (см. Рис. 4.17 (в)).133Зависимость точности прогноза от даты прогнозирования для яровой пшеницыПогрешность в %(стандартное отклонение)26.5Трендовая модель с мультипликативной поправкой для областей2625.52524.52423.5Апр., 5Апр., 21Май, 7Май, 23Июн., 8Июн., 24Июл., 10Июл., 26Авг., 11(а)Зависимость точности прогноза от даты прогнозирования для озимой пшеницыПогрешность в %(стандартное отклонение)26.2Трендовая модель с мультипликативной поправкой для областей2625.825.625.425.225Апр., 5Апр., 21Май, 7Май, 23Июн., 8Июн., 24Июл., 10Июл., 26Авг., 11(б)Зависимость точности прогноза от даты прогнозирования для картофеля16.8Трендовая модель с мультипликативной поправкой для областейПогрешность в %(стандартное отклонение)16.616.416.21615.815.615.415.215Апр., 5Апр., 21Май, 7Май, 23Июн., 8Июн., 24Июл., 10Июл., 26Авг., 11(б)Рисунок 4.17 – Зависимость точности прогнозирования с использованием Модели 4(стандартное отклонение прогнозов урожайности от реальных данных) взависимости от даты совершения прогноза для: (а) яровой пшеницы; (б) озимойпшеницы; (в) для картофеля134Значения точности прогнозирования в зависимости от даты осуществления прогнозапредставлены в таблице 4.4.Таблица 4.4 – Стандартное отклонение прогнозов урожайности для различных культур сиспользованием кросс-валидации для трендовой модели с мультипликативной поправкой дляобластей за период 2000-2013.
Лучшие результаты по точности выделены жирным курсивом.Момент прогнозированияЯровая пшеницаОзимая пшеницаОвощиКартофель5апреля21апреля24.725.813.316.525.525.813.216.67 мая 23 мая26.425.913.315.625.626.113.515.28июня24 июня10июляПогрешность, %25.124.723.725.325.325.113.513.313.715.215.215.326 июля11 августа23.825.313.715.423.725.313.915.5Сравнивая данные таблиц 4.3 и 4.4, а также соответствующие графики на рисунках 4.9 и4.17, можно сделать следующие выводы.
Добавление новых данных (увеличение числа летнаблюдения и количества областей интереса) и расширение предикативного вектора моделейпрогнозирования приводит к:1. для зерновых наблюдается общее снижение точности прогнозирования, но при этомвозможно делать ранние прогнозы;2. вслучаескартофелемобщаяточностьувеличиласьнезначительно,нозаблаговременность увеличилась на 2 месяца;3.
при прогнозировании урожайности овощей наблюдается незначительное увеличениезаблаговременности прогноза, но снижается точность;4. появление ожидаемого характера зависимости точности прогнозирования для с/хкультур, для которых сбор урожая приходится на осенний период, говорит о том, чтонадёжность и стабильность прогнозирования модели увеличилась во второй серииэкспериментов.135Заключение1.Создана концепция прогнозирования характеристик объектов по даннымдолгосрочных наблюдений за параметрами их состояния. На основе данной концепцииразработан и реализован программно метод прогнозирования характеристик объектов наземной поверхности по мультиспектральным космическим изображениям.
Реализованыосновныепроцедурыпредварительнойобработкимультиспектральныхкосмическихизображений, результатом которых являются систематизация и структурирование изображенийв датасеты 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 и уточнения картрастительности.Такженаосновеработыметодапостроенапроцедуравыделенияинформативного сигнала из данных многолетних наблюдений, которая позволяет построитькарту растительности внутри области интереса.
Построенные карты растительности для всехобластей интереса поступают на вход процедурам метода прогнозирования характеристикобъектов на земной поверхности, что приводит к увеличению точности прогнозирования.3.Созданнаборпараметрическихмоделейпрогнозированияурожайностиразличных сельскохозяйственных культур. Проведены серии численных экспериментов сиспользованием созданных моделей согласно методу прогнозирования характеристик объектовна земной поверхности по мультиспектральным космическим изображениям. Анализрезультатов численных экспериментов показал, что разработанный метод прогнозирования длялучшей модели «Трендовая модель с мультипликативной поправкой для областей» даётконкурентный уровень точности прогнозов и высокую заблаговременность прогнозированиядля отдельных сельскохозяйственных культур.4.Получены оценки точности и значимости. Проведено исследование влиянияпродолжительности сезонных наблюдений и состава предикативного вектора модели наточность осуществляемого прогноза.
Проведены две серии экспериментов с различных наборомвходных данных, которые подтверждают работоспособность предложенных в работе методов имоделей.5.Программы,реализующиеразработанныеметоды,зарегистрированывгосударственном реестре программ для ЭВМ и включены в состав макета аппаратно-136программного 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 в НИИ«АЭРОКОСМОС» в 2011-2013 годах.137Список сокращенийДЗЗ – дистанционное зондирование Земли.ДДЗ – данные дистанционного зондирования Земли.ИСЗ – искусственный спутник Земли.КА – космический аппарат.ПН - период наблюдений.ESSA – Environmental Science Services Administration Satellite Program.ITOS – Improved TIROS Operational Satellite.SPOT – Satellite Pour l’Observation de la Terre.NOAA – National Oceanic Atmospheric Administration (Национальное управление поокеанам и атмосфере.GOES – Geostationary Operational Environmental Satellite.DMSP – Defense Meteorological Satellite Project (Оборонный проект спутниковойметеорологии).WMO – World Meteorological Organization (Всемирная метеорологическая организация).NPOESS – National Polar-Orbiting Operational Environment Satellite System.EUMETSAT – European Organisation for the Exploitation of Meteorological Satellites(Европейская организация спутниковой метеорологии).EOS – Earth Observing System (Система наблюдения Земли).USGCRP – United States Global Change Research Programme (Программа изученияглобальных изменений).IPCC – Intergovernmental Panel on Climatic Change (Межправительственного комитета поклиматическим изменениям).NASA – National Aeronautics and Space Administration (Национальное управление повоздухоплаванию и исследованию космического пространства).МТРЕ – Mission to Planet Earth (Миссия к планете Земля).EOSDIS – Earth Observing System Data and Information System.GMES – Global Monitoring for Environment and Security.ADEOS – Advanced Earth Observing Satellite.IRS – Indian Remote Sensing.ARIMAX – auto regression integrated moving average extended.138GEOSS – Global Earth Observation System of Systems.MARS – Monitoring Agriculture through Remote Sensing techniques.SUCROS – Simple and Universal Crop growth Simulator.STICS – Simulateur mulTIdiciplinaire pour les Cultures Standard.WOFOST – WOrld FOod STudies.NDVI – normalized difference vegetation index.ECMWF – European Centre for Medium-Range Weather Forecasts.139Список литературы1 Азгальдов, Г.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
