Построение и оценка точности регрессионных моделей для определения урожайности зерновых и зернобобовых культур на основе данных дистанционного зондирования Земли и климатических характеристик

DOI: 10.35595/2414-9179-2020-3-26-159-169

Посмотреть или загрузить статью (Rus)

Об авторах

А.С. Степанов

Дальневосточный научно-исследовательский институт сельского хозяйства,
ул. Клубная, д. 13, 680521, c. Восточное, Хабаровский край, Россия,
E-mail: stepanxx@mail.ru

Т.А. Асеева

Дальневосточный научно-исследовательский институт сельского хозяйства,
ул. Клубная, д. 13, 680521, c. Восточное, Хабаровский край, Россия,
E-mail: aseeva59@mail.ru

К.Н. Дубровин

Вычислительный центр Дальневосточного отделения Российской академии наук,
ул. Ким Ю Чена, д. 65, 680000, г. Хабаровск, Россия,
E-mail: nob_keeper_93@mail.ru

Аннотация

Урожайность сельскохозяйственных культур находится в строгой зависимости от природно-климатических условий региона выращивания, при этом специфичность погодных условий южной части Дальнего Востока обусловливает необходимость анализа большого числа факторов при построении прогнозной регрессионной модели. В статье на примере Черниговского района Приморского края представлены регрессионные модели для оценки среднерайонной урожайности основных сельскохозяйственных культур территории: сои, пшеницы яровой, ячменя и овса. В период с 2012 по 2018 гг. суммарная посевная площадь этих культур составляла от 78 до 86 % общей площади пахотных земель Черниговского района. В качестве независимых переменных регрессионной модели рассматривалось максимальное значение показателя NDVI 2008-2018 гг. (среди 7-дневных композитов индекса NDVI за календарный год, полученные с использованием данных дистанционного зондирования Земли, вычисленных по маске пахотных земель Черниговского района), а также метеорологические характеристики: гидротермический коэффициент Селянинова, длительность вегетационного периода, температура и влажность верхнего слоя почвы, фотосинтетически активная радиация и радиационный индекс Будыко. Климатические характеристики сельскохозяйственных земель, представляющие данные реанализа и сочетающие наземные и дистанционные наблюдения, были получены с использованием сервиса Вега-Science. Для определения среднерайонной урожайности в исследовании использовались данные о посевных площадях и валовом сборе сельскохозяйственных культур в Черниговском районе в период с 2008 по 2018 гг. Установлено, что наиболее вариабельными являлись среднегодовые значения показателя урожайности ячменя: коэффициент вариации был равен 31,5 %. Соответствующий показатель для остальных культур находился в диапазоне от 16 до 18 %. Проведённый анализ точности полученных моделей показал, что средняя ошибка модели, по данным 2008-2017 гг., составила для ячменя 4,1 %, для овса и пшеницы яровой — 5,1 %, для сои — 5,4 %.

Ключ. слова

сельскохозяйственные культуры, урожайность, климатические характеристики, регрессионная модель, дистанционное зондирование

Список литературы

  1. Асеева Т.А., Карачева Г.С., Ломакина И.В., Рубан З.С. Влияние погодных условий на формирование урожая и качество зерна яровой пшеницы в Среднем Приамурье. Вестник Дальневосточного отделения Российской академии наук, 2016. № 2. С. 64–70.
  2. Балабайкин В.Ф., Ёлкин К.В. Влияние изменения климата на урожайность зерновых в Костанайской области. Аграрный вестник Урала, 2014. № 11. С. 54–59.
  3. Береза О.В., Страшная А.И., Лупян Е.А. О возможности прогнозирования урожайности озимой пшеницы в Среднем Поволжье на основе комплексирования наземных и спутниковых данных. Современные проблемы дистанционного зондирования Земли из космоса, 2015. Т. 12. № 1. С. 18–30.
  4. Буховец А.Г., Семин Е.А., Костенко Е.И., Яблоновская С.И. Моделирование динамики вегетационного индекса NDVI озимой пшеницы в условиях ЦФО. Вестник Воронежского государственного аграрного университета, 2018. Т. 11. № 2. С. 186–199. DOI: 10.17238/issn2071-2243.2018.2.186.
  5. Моисеенко Л.М., Клыков А.Г., Богдан П.М., Тимошинова О.В. Пути увеличения производства зерна пшеницы в условиях Приморского края. Зерновое хозяйство России, 2014. № 3. С. 41–46.
  6. Панеш А.Х., Цалов Г.В. Прогнозирование урожайности озимой пшеницы на основе сервисов геоинформационных систем. Вестник АГУ, 2017. № 4. С. 175–180.
  7. Спивак Л.Ф., Витковская И.С., Батырбаева М.Ж., Кауазов А.М. Анализ результатов прогнозирования урожайности яровой пшеницы на основе временных рядов статистических данных и интегральных индексов вегетации. Современные проблемы дистанционного зондирования Земли из космоса. М.: Институт космических исследований Российской академии наук, 2015. Т. 12. № 2. С. 173–182.
  8. Степанов А.С. Прогнозирование урожайности сельскохозяйственных культур на основе данных дистанционного зондирования Земли (на примере сои). Вычислительные технологии, 2019. Т. 24. № 6. С. 126–134. DOI: 10.25743/ICT.2019.24.6.015.
  9. Сторчак И.Г., Шестакова Е.О., Ерошенко Ф.В. Связь урожайности посевов озимой пшеницы с NDVI для отдельных полей. Аграрный вестник Урала, 2018. № 6. С. 64–68. DOI: 10.25930/awm3-sw92.
  10. Толпин В.А., Лупян Е.А., Барталев С.А., Плотников Д.Е., Матвеев А.М. Возможности анализа состояния сельскохозяйственной растительности с использованием спутникового сервиса «ВЕГА». Оптика атмосферы и океана, 2014. Т. 27. № 7. С. 581–586.
  11. Якушев В.П., Дубенок Н.Н., Лупян E.А. Опыт применения и перспективы развития технологий дистанционного зондирования Земли для сельского хозяйства. Современные проблемы дистанционного зондирования Земли из космоса, 2019. Т. 16. № 3. С. 11–23. DOI: 10.21046/2070-7401-2019-16-3-11-23.
  12. Balaghi R., Tychon B., Eerens H., Jlibene M. Empirical regression models using NDVI, rainfall and temperature data for the early prediction of wheat grain yields in Morocco. International Journal of Applied Earth Observation and Geoinformation, 2008. V. 10. Iss. 4. P. 438–452.
  13. de la Casaa A., Ovandoa G.G., Bressanini L. Soybean crop coverage estimation from NDVI images with different spatial resolution to evaluate yield variability in a plot. ISPRS Journal of Photogrammetry and Remote Sensing, 2018. V. 146. P. 531–547.
  14. Gaso D.V., Berger A.B., Ciganda V.S. Predicting wheat grain yield and spatial variability at field scale using a simple regression or a crop model in conjunction with Landsat images. Computers and Electronics in Agriculture, 2019. V. 159. P. 75–83. DOI: 10.1016/j.compag.2019.02.026.
  15. Iizumi T., Shin Y., Kim W. Global crop yield forecasting using seasonal climate information from a multi-model ensemble. Climate Services, 2018. V. 11. P. 13-23. DOI: 10.1016/j.cliser.2018.06.003.
  16. Mkhabela M.S., Bullock P., Raj S., Wang S., Yang Y. Crop yield forecasting on the Canadian Prairies using MODIS NDVI data. Agricultural and Forest Meteorology, 2011. V. 151. P. 385-393. DOI: https://doi.org/10.1016/j.agrformet.2010.11.012.
  17. Onojeghuo A.O., Blackburn G.A., Huang J. Applications of satellite ‘hyper-sensing’ in Chinese agriculture: Challenges and opportunities. International Journal of Applied Earth Observation and Geoinformation, 2018. V. 64. P. 62-86.

Для цитирования: Степанов А.С., Асеева Т.А., Дубровин К.Н. Построение и оценка точности регрессионных моделей для определения урожайности зерновых и зернобобовых культур на основе данных дистанционного зондирования Земли и климатических характеристик. ИнтерКарто. ИнтерГИС. Геоинформационное обеспечение устойчивого развития территорий: Материалы Междунар. конф. M: Издательство Московского университета, 2020. Т. 26. Ч. 3. С. 159–169 DOI: 10.35595/2414-9179-2020-3-26-159-169

For citation: Stepanov A.S., Aseeva T.A., Dubrovin K.N. Building and precision assessment of regression models for determining of cereals’ and legumes’ crop yield based on Earth remote sensing data and climatic characteristics. InterCarto. InterGIS. GI support of sustainable development of territories: Proceedings of the International conference. Moscow: Moscow University Press, 2020. V. 26. Part 3. P. 159–169. DOI: 10.35595/2414-9179-2020-3-26-159-169 (in Russian)