Диссертация (1137223), страница 8
Текст из файла (страница 8)
Также необходимо указать на то, что самметод установления года-аналога может быть разным для разных регионов и для разныхкультур и должен определяться опытным путем с учётом специфики возделывания культуры идоли её посевов в регионе.391.6.2Регрессионный методОсобенности использования регрессионного метода заключаются в построениифункции, в данном случае прогностической (см. Опр. 1.3), для значений урожайности запредыдущие годы с различными предикторами (см. Опр. 1.4), получаемыми на основеспутниковых данных [6].Естественно, что в качестве предикторов могут использоваться совершенно различныехарактеристики.Наиболееинформативнымидляпостроенияпредикторовсчитаютсяследующие данные [105]:1. вегетационный индекс NDVI, рассчитанный по данным приборов SPOT-VEGETATION(спутники SPOT) и MODIS (спутники Terra и Aqua);2.
метеорологические данные о температуре и осадках [123];3. карта пахотных земель, созданная по базе данных GLS 2000 [134];4. карта земель с посевами озимых культур, построенная на базе данных MODIS [72].С помощью этих данных для каждого региона, для которого имеются статистическиеданные об урожайности, могут быть построены, например, следующие предикторы,осредненные по различным типам земель (пахотным, занятым озимыми культурами,покрытыми лесом и т.д.).1.
сезонный максимум NDVI по данным SPOT-VEGETATION;2. максимальное значение NDVI по данным SPOT-VEGETATION за октябрь - декабрьпрошлого года;3. значение NDVI по данным SPOT-VEGETATION во время цветения озимой пшеницы. Длявычислениявременицветениявычисляласьсуммасреднесуточныхтемператур,превышавших 10°С, с февраля месяца конкретного года. Дата, когда эта сумма достигала500° С, принималась условно за дату цветения.4. значения NDVI по данным SPOT-VEGETATION для различных сумм температур (200°С,300°С, 400°С, и.т.д.);5.
значения NDVI по данным SPOT-VEGETATION за каждую декаду в году;6. сезонный максимум NDVI по данным MODIS;7. значения NDVI по данным MODIS за каждую неделю;408. различные климатические параметры, такие как средняя температура воздуха за октябрь ноябрь предыдущего года, средняя температура за март - апрель, абсолютный минимумтемператур в мае, сумма осадков за период август - сентябрь.Используя значения этих признаков за текущий год и уравнение парной линейнойрегрессии, построенное по значениям набора предикторов (1-8) за прошлые годы,предсказывается значение урожайности различных культур в текущем сезоне. Из множествавсех построенных регрессий для предсказания урожайности естественно выбирать наиболеекачественные регрессии. Критерием качества может, например, являться квадрат корреляциимежду значениями предиктора и урожайности за прошлые годы [173].Такой подход даёт разные результаты для различных культур.
Детальный анализ,проведенный на примере озимой пшеницы, показывает, что по данным предикторам почти вкаждом регионе России удается построить приемлемые уравнения регрессии (квадраткорреляции для которых больше 0.8), по которым в дальнейшем можно предсказатьурожайность в данном регионе [6].Для регионов, где нельзя построить приемлемое уравнение парной регрессии, строятсямножественные регрессии с использованием тех же предикторов (1-8). При построениирегрессии, наиболее результативны предикторы из наборов 4, 5 и 7. Предикторы из наборов 1,2, 3 и 6 позволяют построить меньшее количество качественных регрессий. Предикторы изнабора 8 дают крайне малое количество хороших регрессий, но при этом они позволяютпостроить достаточно качественные множественные регрессии для многих регионов [72].Недостаток метода связан с сильной зависимостью яркости в исследуемых спектральныхдиапазонах от параметров среды, в частности атмосферы, угла падения света, типа почвы [117].Подход, основанный на регрессионном анализе, при наличии достаточно протяженногоряда качественных спутниковых данных (10 лет) позволяет получить достаточно хорошиерезультаты[79].Дляулучшенияточностиполучаемыхпрогнозовможновводитьдополнительные, более информативные предикторы, а также использовать различныемножественные регрессии.
В настоящее время работы по развитию данного подхода и анализувозможностей его применения для прогнозирования урожайности различных культур ведутсядостаточно активно.411.6.3Метод прогнозирования урожайности на основе моделированияприроста биомассы растенийС использованием этого метода моделирование ведется для полей, где присутствуютпосевы растений в текущем сезоне вегетации (см. Опр.
2.13). Такие поля распознаются покосмическим данным на основе методов, изложенных в работе [80]. В рамках данных подходов,идентификация полей с посевами проводится в начале сезона вегетации. После этого,начинается моделирование нарастания биомассы с начала сезона вегетации на каждомконкретном поле.В основу моделирования ежедневного прироста биомассы положены подходы,разработанные Ничипоровичем [63] и Monteith [172]. Их суть заключается в том, что рострастений потенциально предопределяется приходящей радиацией. Потенциальный рост можетограничиваться температурными условиями, избытком радиации и доступностью растениямвлаги.
Влияние на рост растений таких факторов, как доступность питательных элементов, атакже болезней и вредителей растений в данном подходе не учитывается. При этом считается,что лимитирующее влияние этих факторов может быть учтено опосредованно, через изменениеплощади ассимиляционного аппарата, который характеризует количество листьев на растении.Кроме того, при построении модели учитывается, что при соблюдении агротехникивозделывания риса влияние такого фактора, как доступность влаги, можно не учитывать.Таким образом, модель накопления биомассы растениями в общем виде может бытьзаписана следующим образом [79]:Bd LUE faPAR PAR RES ,(1.1)где Bd – масса растения, накопленная за день;LUE – эффективность использования света растением;faPAR – фракция абсорбированной растительным покровом радиации;PAR – фотосинтетически активная радиация;RES – респирация состояния растения.Эффективность использования растениями света оценивается следующим образом:LUE LUEmax Ct Cr ,где LUE – эффективность использования света растением;LUEmax – максимальная эффективность использования света растением;(1.2)42Ct – поправка на температурные условия;Cr – поправка на количество приходящей радиации.Для оценки максимальной эффективности использования света растениями используетсяподход, предложенный в работе [192].
Расчет поправки на неоптимальные температурыпроводится по формуле, приведенной в [222]. При избытке приходящей радиации фотосинтеззамедляется из-за насыщения энзимных цепей, и это учитывается путем введения поправки наизбыточность приходящей радиации [118].Респирация состояния для риса рассчитывается следующим образом [79]:RES 0, 015 Bt 2Td Tmr 10 ,(1.3)где RES – респирация состояния;Bt – биомасса растения;Td – средняя суточная температура воздуха;Tmr – средняя взвешенная суточная температура воздуха за предыдущие 10 дней.В качестве источника ежедневных метеорологических данных при моделированиииспользована информация глобальной модели атмосферы, разработанной в ECMWF [122].Данные представлены в виде точек с расстоянием друг от друга в 1 градус.Пример результатов моделирования нарастания биомассы для орошаемого массиваСарпинской степи в Калмыкии для сезонов 2004-2008 годов, полученных с использованиемспутниковых данных MODIS, представлен на рисунке 1.9.Рисунок 1.9 – Количество ассимилированного за день вещества для одного из полейс посевами [79]43На основе результатов моделирования по отдельным полям может быть рассчитана средневзвешенная величина накопленной биомассы для всего массива.
Величины урожайности,получаемые по результатам моделирования, достаточно хорошо воспроизводят динамикуофициальной статистической урожайности [79].Более низкие значения официальной статистической урожайности могут быть связаны стем, что моделирование ведется на уровне отдельных полей, и при расчетах не учитываютсяпотери урожая при уборке и транспортировке зерна, которые заложены в официальнуюстатистическую информацию.Таким образом, данный подход позволяет оценивать урожайность с достаточно большойзаблаговременностью, в середине сезона вегетации. Моделирование нарастания биомассыпроводится на уровне отдельных полей.Преимуществом подобного подхода к прогнозированию урожайности является полнаянезависимостьполучаемыхрезультатовотстатистическихданных,чтопозволяетрассматривать разработанный подход как надежное средство независимого контроля качествастатистической информации, поступающей с мест.В тоже время отсутствие гибкости этого метода не позволяет «настоять» модель наособенности вегетации отдельно взятого региона.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
