Диссертация (1137223), страница 7
Текст из файла (страница 7)
Эта задача представляет особый интерес для исследований,посколькусуществующиепреодолимымивподходырамкахтолькообладаютодногоопределеннымиизних.Помимонедостатками,этого,трудноурожайностьсельскохозяйственных культур на определенной территории может рассматриваться в ролииндикатора качества окружающей среды и, в частности, почвенного покрова. Оценка состоянияпочв, растительности и прогнозирование урожайности сельскохозяйственных культурсоставляют основу современного подхода к исследованиям в области сельского хозяйства [215]и экономического планирования в аграрной промышленности [171]. Наиболее перспективныенаправления исследований связаны с ассимиляцией данных дистанционного зондированияЗемли в существующие модели развития растений и созданием новых методов на их основе[133].Следует отметить важность практического применения результатов прогнозированияурожайности для задач аграрной отрасли РФ.
Данные дистанционного зондирования широкоприменяются при прогнозировании и оценке урожайности различными сельскохозяйственнымиорганизациями РФ, в частности, большое количество исследовательских и прикладных работпроведеновРоссийскомгосударственномаграрномуниверситете–МСХАимениК.А. Тимирязева [5, 35, 43, 57, 62, 88].На сегодняшний день подходы к прогнозированию урожайности можно разделить наметоды, применяющие оценки физических факторов окружающей среды, методы на основепрямых оценок содержания хлорофилла и методы, использующие данные дистанционногозондирования Земли.Прикладноезначениеоценкисостоянияипрогнозированияурожайностисельскохозяйственных культур выделено в ряде международных и национальных программ.Так, оценка состояния растительности в контексте систем поддержки принятия решений дляпроблем устойчивого развития и экономической безопасности определена приоритетнымзаданием международной «системы систем» GEOSS [133]. В рамках реализации CommonAgricultural Policy [206] Европейским союзом поддерживается проект MARS [167], результатомкоторого является получение прогноза урожайности основных сельскохозяйственных культур(для злаковых заявлена точность более 1 ц/га [188]).Растения обладают уникальным спектром поглощения, определяемым наличиемразличных пигментов, содержанием воды и физической структурой листьев [116].
Спектрменяется с течением времени в зависимости от фазы развития, биологического вида, состояния34окружающей среды и состояния растения [116]. Поэтому спектр поглощения принципиальноможет быть использован для задач оценки состояния растительности.На уровне растительного покрова идентификация химических составляющих растенийпредставляется сложной задачей, так как отражение сильно зависит от размеров, ориентациилистьев, плотности растительности и характеристик среды, таких как тип грунта и угол падениялучей Солнца [117].
Несмотря на это, некоторые биохимические свойства растений могут бытьвосстановлены по спектру отражения растительного покрова. Известны успешные примененияспектра отражения для идентификации вида растений [199], мониторинга содержания воды ихарактеристик удобрений в почве [160], задач фенологии растений [186], оценки площадилиственного покрытия (leaf area index, LAI) [100], оценки биомассы [200].Среди методов на основе оценок физических параметров окружающей среды наиболеераспространенными являются статистические методы и механистические модели ростарастений.Статистические методы прогнозирования урожайности на основе оценки физическихфакторов среды используют предположение о существовании простой зависимости междухарактеристиками окружающей среды и урожайностью.
Для выявления такой зависимостиприменяются методы линейного и нелинейного регрессионного анализа, нейронные сети [121];исследованы зависимости урожайности от состава почвы (CEC, pH, содержание органическихвеществ, фосфора, кальция, магния, калия), характеристик почвы (текстура, тип, глубинаверхнего слоя), метеорологических параметров (осадки, температура, солнечная радиация)[121]. Методы данного класса редко применимы на практике вследствие большой трудоемкостинеобходимых наземных измерений и сложности исследуемых зависимостей.Механистические модели роста используются для исследования процесса усвоениеуглерода и прироста биомассы.
Как правило, моделируется рост растений под влияниемметеорологических параметров, характеристик грунта и состава вносимых удобрений;типичными входными данными являются температура, количество осадков, количествосолнечной радиации; количество и тип удобрений, плотность насаждений, параметрыирригации и обработки, тип, глубина верхнего слоя, содержание гумуса в почве. Большинствомоделей применимы только к одному виду растений, например, SOYGRO для бобовых [216],CERES-Maize [191] для кукурузы, CERES-Wheat [190] для пшеницы, WARM для риса [119].Известны также универсальные модели SUCROS [202], STICS [114], WOFOST [204].Преимущества механистических моделей – физическая обоснованность и меньшие требования35к объемам калибровочных данных по сравнению со статистическими моделями.
Срединедостатков рассматриваемых моделей – вычислительная сложность.Методы на основе прямых оценок содержания хлорофилла основаны на наземныхизмерениях SPAD датчиков [108]. Применение таких подходов обосновано высокой степеньюкорреляции между количеством хлорофилла и урожайностью, выявленной для различныхсельскохозяйственных культур. Область применения методов ограничена в связи снеобходимостью большого количества наземных измерений.Методы прогнозирования урожайности на основе данных дистанционного зондированияЗемли можно разделить на два класса:1.
методы, связывающие урожайность и спектральные характеристики с использованиемрегрессионных моделей и вегетационных индексов;2. методы, использующие оценки состояния растительности (такие как LAI и биомасса) поданным ДЗЗ для калибровки механистических моделей роста.Внутри этих двух больших классов методы можно объединить в группы по следующимпризнакам:пространственный масштаб моделей прогнозирования;виды и количество сельскохозяйственных культур, для которых возможноосуществить прогноз;наличие, так называемых, масок посевов [89].Под пространственным масштабом модели понимается минимальная площадь земнойповерхности, для которой можно оценить или спрогнозировать ожидаемое значениеурожайности с помощью данной модели.
Подходы, обладающие приведенными вышепризнаками, зачастую попадают сразу в несколько групп. Например, большая часть методовпервой группы позволяет осуществлять прогноз на масштабе характерном для территориизасеянной определенной культурой. Такое ограничение связано с использованием масокпосевов в рассматриваемых подходах, что автоматически относит их и к третьей группеметодов этого класса.В настоящее время разработаны и применяются на практике различные подходы кпрогнозированию урожайности, в том числе:— анализ тренда и цикличности в динамичности урожайности [7, 68, 69, 70, 132];— выявление года-аналога [37, 187, 195, 196];36— построение регрессионных зависимостей между различными статистическимиданными и различными данными, полученными на основе дистанционных иметеорологических наблюдений (далее «регрессионный метод») [53, 132, 92];— моделирование [84, 132];— на основе анализа синоптических процессов [36, 71, 203, 213].Ниже приводиться описание некоторых из вышеперечисленных методов, которыенаиболее активно применяются в современных разработках.1.6.1Метод выявления года-аналогаОсновная идея метода прогнозирования урожайности по году-аналогу заключается втом, что если посевы определенной культуры в регионе развивались в текущем сезоне такжекак в каком-либо прошлом сезоне, то и урожайность должна быть близка к урожайности этогогода-аналога [37].
Под сезоном понимается временной интервал, на протяжении которогонаблюдаются активные процессы роста и созревания сельскохозяйственной культуры.Спутниковые данные являются надёжным инструментом оценки подобной схожести вразвитии посевов. При этом состояние посевов анализируется по прямым признакам на основеанализа динамики различных индексов, полученных на основе спутниковых данных,отражающих состояние растительного покрова. Тем самым косвенно учитывается влияние нарастения большинства факторов, предопределяющих их развитие (включая метеоусловия, в томчисле и экстремальные, использование удобрений и ядохимикатов, специфика агротехники ит.п.).
Неоптимальность этих факторов приводит к изменению состояния посевов, чтоотражается на динамике измеряемых вегетационных индексов.Одним из преимуществ данного подхода является также возможность выявления годааналога в отдельности для каждой возделываемой культуры (при наличии маски её посевов,которая также может быть восстановлена с использованием спутниковых данных [89]).Известно, что разные сельскохозяйственные растения по-разному реагируют на изменениеусловий роста [61, 128]. Поэтому, изменение этих условий может приводить к гибели однойкультуры, и слабо влиять на развитие другой, находящейся в том же регионе. Как хорошовидно, например, из рисунка 1.7, ход сезона вегетации для озимых и для яровых в пределахКраснодарского края в 2009 году сильно отличался.37Рисунок 1.7 – Ход вегетационного индекса NDVI, осредненного для полей созимыми (пунктир с точкой) и яровыми (пунктирная линия) культурами (2009 год,Краснодарский край) [79]Кроме общей оценки хода текущего вегетационного сезона, метод года-аналогапозволяет оперативно выявлять регионы, где посевы повреждаются в результате воздействиянеблагоприятных погодных или фитосанитарных условий (засуха, заморозки, условияперезимовки, саранча и т.п.).Используяметодгода-аналога, оценивается в первом приближениивеличинаожидаемого урожая культуры в конкретном регионе.
Подобные оценки можно получать сначала сезона вегетации и обновлять их до окончания сезона по мере получениядополнительных спутниковых данных. Так, например, анализ года-аналога для сезона2000/2010 года позволяет получить оценку ожидаемой урожайности озимой пшеницы в разрезенекоторых субъектов РФ в следующем виде Рис. 1.8.38Рисунок 1.8 – Ожидаемая урожайность озимой пшеницы в 2010 году (оценка пометоду года-аналога) [79]Условные обозначения для рисунка 1.8:‒I – ниже среднего (регионы, где посевов культуры более 10% от общей посевнойплощади);‒Is – ниже среднего (регионы, где посевов культуры менее 10% от общей посевнойплощади);‒h – выше среднего (регионы, где посевов культуры более 10% от общей посевнойплощади);‒hs – выше среднего (регионы, где посевов культуры менее 10% от общей посевнойплощади);‒m - близко к среднему (регионы, где посевов культуры более 10% от общей посевнойплощади);‒ms – близко к среднему (регионы, где посевов культуры менее 10% от общей посевнойплощади).Следует отметить, что при использовании данного метода необходимо принимать вовнимание то, что на характер осредненной кривой вегетационного индекса большое влияниеможет оказывать сдвиг сезона вегетации из-за метеорологических условий, а также изменениеот года к году площадей посевов отдельных культур.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
