Достоверная и своевременная информация о состоянии посевов и почвенного покрова, оценка качества и количества будущего урожая и,как следствие, прогноз цен на аграрную продукцию оказывают существенное влияние как на экономику отдельного региона, так и на мировую торговлю в целом.
При планировании и регулировании рынков сельскохозяйственных культур, а также реализации экспортно-импортных операций большое значение имеет показатель урожайности как критерий эффективности сельскохозяйственного производства. Среди формализованных методов объективной оценки и прогнозирования показателя урожайности выделяются методы с использованием данных ДЗЗ [55]. Разработано также значительное количество методов и цифровых моделей прогнозирования урожайности сельскохозяйственных культур без использования таких данных (например, [56-59], которые в настоящей работе не рассматриваются.
Многочисленные исследования показали, что многие структурные и биохимические изменения растений в течение вегетационного периода проявляются в спектрах отражения ими солнечного излучения, регистрируемых цифровыми сенсорами, расположенными на платформе. Результаты этих исследований составляют физическую основу аэрокосмического мониторинга посевов сельскохозяйственных культур. Измеряемые характеристики отражения растительных покровов представляются либо в виде безразмерных вегетационных индексов (NDVI, EVI и др.), либо в виде параметров моделей переноса излучения (листовой индекс (LAI), доли поглощаемой солнечной радиации в фотосинтетически активной области спектра (FAPAR) и др.).
При спутниковом мониторинге состояния и развития посевов проводятся [60]:
•оценка состояния сельскохозяйственных культур на различных стадиях вегетации (всхожесть, текущее состояние, созревание зерновых культур);
• мониторинг темпов уборки сельскохозяйственных культур;
• выявление фактов негативного природного, техногенного и антропогенного воздействия на сельскохозяйственную растительность (засуха, вымокание, заморозки, вредители и др.);
• обнаружение полей, имеющих отклонения от норм развития, их оценка и систематизация (в том числе выявление фактов заболеваемости сельскохозяйственных культур):
• мониторинг составляющих суммарного испарения;
• оценка водного стресса, стресса питательного режима.
Важно отметить, что одной из основных особенностей спутникового мониторинга состояния посевов является необходимость выполнения двух условий: высокое пространственное и временное разрешение измерений. Высокое пространственное разрешение обеспечивает наблюдение за небольшими участками поля с возможностью оценки состояния посевов. Временное разрешение обеспечивает как мониторинг динамики роста и развития растений в течение одного вегетационного периода, так и сравнение и анализ данных NDVI вегетационных сезонов за несколько лет. К основным преимуществам использования данных ДЗЗ относят высокую достоверность и оптимальную периодичность получения информации, широкий охват исследуемой территории, получение данных в едином стандартизированном виде.
Изменение спектральной яркости растительности в течение вегетационного периода с учетом сельскохозяйственного календаря для разных культур позволяет по тону изображения полей судить об их агротехническом состоянии и составе культур, что делает снимки объективным источником сельскохозяйственной статистики. Выявление площадей, занятых основными продовольственными культурами, и оценка динамики их развития с учетом метеорологических условий определяют возможность использования космической информации для прогноза урожайности.
Исследования показывают, что если состояние растительности хорошее на протяжении всего периода роста, то вероятность получить хороший урожай увеличивается. Если в какой-либо промежуток произрастания состояние растительности отклонилось в сторону ухудшения, то вероятность получить хороший урожай уменьшается.
С развитием технологий дистанционного зондирования земель из космоса появилась возможность проводить мониторинг состояния посевов на обширных территориях оперативно и с минимальными финансовыми затратами.
Определяющим индикатором сельскохозяйственной культуры и ее состояния является спектральная отражательная способность, характеризующаяся широким диапазоном отражения излучения разных длин волн. С развитием средств спутниковых измерений и расширением группировки спутников ДЗЗ стало возможным решение самых разнообразных задач в области сельского хозяйства, в том числе оценка состояния посевов и прогнозирование урожайности.
По данным многочисленных исследований, по индексу NDVI с высокой достоверностью можно прогнозировать урожайность посевов при условии отсутствия на последующий период неблагоприятных метеоусловий. Вегетационный индекс NDVI изменяется весь сезон, и его значения различны во время роста, цветения и созревания растений. В начале вегетационного сезона индекс нарастает, во время цветения его рост останавливается, затем, по мере созревания, NDVI снижается. В зависимости от почвенного плодородия, метеоусловий и технологии возделывания посевов скорость развития биомассы будет разной. Поэтому по среднему значению NDVI на поле легко сравнивать состояние посевов во время вегетации: на одних полях посевы развиваются быстрее (лучше), на других - медленнее (хуже).
Наиболее точный прогноз урожайности посевов по индексу NDVI можно дать в момент прохождения пика его значения. Например, по данным Центра точного земледелия РГАУ - МСХА им. К.А. Тимирязева, для посевов озимой пшеницы при возделывании по интенсивной технологии значение NDVI во время пика достигает 0,80-0,88 (обычно он приходится на начало фазы колошения) [61].
NDVI связан с зеленой биомассой растений, а урожайность - это некая (известная для каждой культуры) процентная часть биомассы. Зная потенциальную урожайность сорта, можно прогнозировать, что при таком значении индекса урожайность будет максимальной для данного сорта. Если в фазу колошения индекс достигает значения всего 0,60-0,65, то это значит, что урожайность будет ниже максимальной на 25-30%.
Таким образом, для прогнозирования урожайности необходимо знать максимальную потенциальную урожайность данного сорта и показатель NDVI посева в фазе колошения (для зерновых) или максимального развития листьев (для всех остальных культур).
При прогнозировании урожайности используются спутниковые данные, позволяющие анализировать состояние посевов на больших территориях. Работы по оценке урожайности ведутся в основном по трем направлениям: оценка урожайности по году-аналогу, с использованием регрессионного анализа на основе дистанционных и метеорологических наблюдений и на основе имитационного моделирования [55, 62]. Такие исследования проводятся в Институте космических исследований в рамках создания Системы дистанционного мониторинга земель агропромышленного комплекса.
При прогнозе по году-аналогу считается, что если посевы сельскохозяйственных культур в текущем году развиваются так же, как в одном из прошлых сезонов, то урожайность должна быть близка к урожайности этого года-аналога. При оценке схожести развития посевов используются спутниковые данные.
При использовании регрессионного метода для прогнозирования урожайности строится зависимость значений урожайности по данным Росстата за прошлые годы с различными предикторами, получаемыми на основе спутниковых данных, в качестве которых используются вегетационный индекс NDVI, рассчитанный по данным приборов SPOT-VEGETATION (спутники SPOT) и MODIS (спутники TerranAgua), метеоданных о температуре и осадках, карт пахотных земель и посевов.
Третий метод прогнозирования урожайности основан на моделировании ежедневного прироста биомассы растений с начала вегетационного периода. Этот метод позволяет оценить урожайность заблаговременно, в середине сезона вегетации, и может рассматриваться как средство независимого контроля статистической информации, поступающей с мест и позволяющей получить прогнозные оценки урожайности для отдельных полей. Однако этот метод требует большого объема полевых данных для калибровки применяемых моделей [55].
Основную сложность представляет прогноз отклонения урожайности от тренда, которое определяется большим числом метеорологических факторов. Учет их влияния на формирование урожая и является главной задачей методов агрометеорологических прогнозов [63].
В [64] изложен предлагаемый метод прогнозирования урожайности почв на основе многоспектральных космических изображений и результатов вычислительного эксперимента по прогнозированию урожайности различных сельскохозяйственных культур для различных областей. В результате исследований определена наиболее точная модель плодородия почв, принимающая значения вегетационных индексов за пять месяцев (с марта по июль текущего года), дана оценка точности осуществляемого прогноза и возможности расширения области применения полученной модели для прогнозирования урожайности сельскохозяйственных культур.
Предлагаемый метод прогнозирования основан на следующих принципах. Урожай определенной культуры на заданной территории должен достаточно достоверно предсказываться функцией, параметрами которой являются усредненные (по этой территории) значения вегетационного индекса в течение роста и созревания сельскохозяйственной культуры. При этом, чем полнее история изменения индекса, тем точнее можно предсказывать урожай. Соответственно, чем отдаленнее период измерения индекса от момента созревания культуры, тем меньше будет предикативная сила модели.
Результаты проведенных вычислительных экспериментов продемонстрировали возможность прогнозирования урожайности по многоспектральным космическим изображениям с использованием реальных статистических данных по урожайности для различных сельскохозяйственных культур и разных областей страны.
Настройка разработанных четырех моделей прогнозирования урожайности для трех групп культур (пшеница, картофель, овощи) показала, что ошибки прогнозирования для рассмотренных моделей (среднеквадратическое отклонение) составляют 10-30%. Наилучшие результаты (10%) из всех рассмотренных моделей показывает трендовая модель урожайности с мультипликативной поправкой для областей.
Анализ показывает, что наиболее надежные прогнозы урожаев составляются на основе моделирования биопродуктивности растений с учетом основных физических и биологических процессов в системе «почва-растение-атмосфера» (фотосинтез, дыхание, рост и отмирание органов, приток углерода в почву, почвенное дыхание и др.) [63, 65].
Настройка моделей биопродуктивности предполагает сравнение результатов моделирования с натурными данными в границах каждого поля и подбор ряда эмпирических констант. Такие модели обладают наибольшей универсальностью и детальностью учета метеорологических условий формирования урожая, однако требуют задания большого количества метеорологических и агрохимических характеристик, контроль которых для каждого поля является трудновыполнимой задачей.
В работе [63] описывается метод прогнозирования урожайности яровой пшеницы на основе ДЗЗ и наземной метеорологической информации, использующий принципы построения корреляционных масок под конкретные культуры и моделирование их биопродуктивности на основе уравнения Монтейта с регионально адаптированными параметрами.
При этом делается предположение, что фитомасса урожая пропорциональна общей биомассе, накопленной с начала вегетационного периода. Прирост биомассы рассчитывается с суточным разрешением с учетом потока солнечной радиации на уровне подстилающей поверхности, температуры и влажности воздуха, осадков и почвы. Учитывая практические сложности получения информации о потоке солнечной радиации и влажности почвы, они рассчитываются с использованием аналитических параметров, полученных на основе данных Европейского центра среднесрочных прогнозов погоды.
Коэффициент корреляции между рассчитанными значениями урожайности яровой пшеницы и данными официальной статистики составляет 0.84, что свидетельствует о применимости разработанной модели для прогнозирования урожайности сельскохозяйственных культур с использованием доступных данных официальной статистки, реанализа Era-Interim и спутниковых измерений NDVI прибором MODIS.
Заслуживает внимания методика оценки урожайности посевов сельскохозяйственных культур на основе использования хлорофилльного фотосинтетического потенциала (ХФСП), вычисляемого по спутниковым данным [66].
При разработке метода расчета значений ХФСП учитывались особенности расчета ХФСП (S) по наземным спектрофотометрическим данным [67], а также особенности спектральных диапазонов спутников Landsat 7 ETM+ и Terra/MODIS. При использовании информации, полученной со спутника Terra/MODIS, используются данные зеленого (545-565 нм), красного (620-670 нм) и ближнего инфракрасного (841-876 нм) каналов; со спутника Landsat 7 ETM+ - данные зеленого (525-625 нм), красного (630-690 нм) и ближнего инфракрасного (750-900 нм) каналов.
Проведенные исследования показали, что величина значений ХФСП, рассчитанная по данным спутниковой информации Terra/ MODIS, отражает степень засоренности культур, а рассчитанная по данным Landsat 7 ETM+ является индикатором урожайности сельскохозяйственных культур на исследуемых территориях. С помощью величины ХФСП, рассчитанного на основе спутниковой информации Landsat 7 ETM+, возможно также разделение посевов по видовому составу. Полученные спутниковые данные хорошо согласуются с наземными наблюдениями.
Практический опыт и методические подходы использования прогнозов урожайности при обосновании структуры посевных площадей сельскохозяйственных культур, базирующиеся на учете трехлетней и четырехлетней цикличности динамики урожаев зерновых культур, примененные в учхозе «Кубань» при апробации модели по данным за 2012-2018 гг., показали их приемлемость как инструмента обеспечения минимальной ошибки прогноза урожайности озимых пшеницы и ячменя, риса и подсолнечника. Менее удачны были прогнозы по овсу и сое, а по кукурузе на зерно результаты были неудовлетворительными [68].
Для построения прогнозной модели используется вегетационный индекс NDVI, имеющий высокую корреляцию с урожайностью сельскохозяйственных культур. В регрессионную модель чаще всего включаются максимальное значение динамического ряда NDVI и интегрированные показатели, характеризующие климатические условия территории.
Однако применение в модели фактического максимума NDVI снижает возможность раннего прогнозирования и, соответственно, практическую значимость прогноза для сельского хозяйства.
Поэтому значительный интерес представляет разработка методических подходов раннего прогнозирования урожайности, выполненная сотрудниками Дальневосточного НИИ сельского хозяйства и Вычислительного центра ДВО РАН, входящих в состав Хабаровского федерального исследовательского центра ДВО РАН [69].
Методика базируется на анализе данных многолетних метеорологических наблюдений и дистанционного зондирования Земли, преимущество которых обусловлено снижением трудозатрат на мониторинг состояния отдельных полей в течение вегетационного сезона, а также оперативностью получения необходимых данных.
При разработке метода создан набор вспомогательных алгоритмов. В основу многофакторной модели, апробированной на полях отдельных муниципальных образований регионов Дальнего Востока, легли данные многолетних спутниковых наблюдений, полученные и обработанные с использованием ресурсов центров коллективного пользования «ИКИ-мониторинг» и «Центр данных ДВО РАН».
При разработке алгоритма изучалась ежегодная динамика вегетационных индексов отдельных культур на экспериментальных полях ДВНИИСХ, расположенных вблизи г. Хабаровска, в период с 2014 по 2019 г. С использованием данных по опытным полям разработчиками была построена тестовая модель, которая впоследствии экстраполирована на пахотные земли муниципальных образований всего региона.
Преимущество метода - возможность раннего прогнозирования урожайности сои. В отличие от метода прогнозирования, базирующегося на формировании прогноза только тогда, когда значения вегетационного индекса достигают максимума (для Дальнего Востока - первая декада августа), предложенный подход позволил сдвинуть сроки прогнозирования урожайности сои практически на месяц без критического снижения точности прогноза.
Разработанная методика является достаточно универсальной и может применяться для прогнозирования урожайности сои на уровне субъектов федерации, муниципальных образований, а также отдельных хозяйств. Она была апробирована в разных муниципальных районах Хабаровского края, Амурской области, Приморского края, а также Еврейской автономной области. Ошибка прогноза урожайности сои при раннем прогнозировании находилась в диапазоне 5-12% для разных районов, что соответствует достаточно высокой точности разработанной модели прогнозирования урожайности.
В общем виде разработанный подход к прогнозированию урожайности сельскохозяйственных культур на уровне региона можно представить схемой (рис. 9).
Рис. 9. Общая схема прогнозирования урожайности сельскохозяйственных культур на уровне региона
На первом этапе формируется динамический ряд урожайности культуры в исследуемом регионе за предшествующий многолетний период. Для расчетов значений динамического ряда используются данные по посевным площадям и валовому сбору культуры в регионе. В качестве источников данных могут быть использованы базы данных федерального и региональных подразделений Росстата, департаментов сельского хозяйства разных уровней, а также специально разработанные программные продукты. В случае неоднородности сформированного ряда дополнительно проводятся верификация и фильтрация данных.
На втором этапе для выбранных территорий с использованием системы Вега-Science формируются динамические ряды значений NDVI по маске пахотных полей или по маске соответствующей сельскохозяйственной культуры. По ежегодным значениям семидневных композитов NDVI рассчитываются нормализованные значения индекса за пятилетний период. Для нормализованных значений кривой с помощью алгоритма Левенберга-Марквардта проводится расчет параметров аппроксимационной функции Гаусса. С использованием гауссианы по известным значениям NDVI с разной степенью точности определяется максимум NDVI текущего года.
Окончательно для прогнозирования урожайности строится регрессионная модель. В случае моделирования с интегральными кли- магическими показателями исходные метеоданные могут быть также получены с использованием системы Вега-Science.
Применение аппроксимирующей функции для прогнозирования годового максимума NDVI по маске пахотных земель в Тамбовском районе Амурской области показало хорошие результаты: средняя абсолютная ошибка прогноза в зависимости от недели прогнозирования находилась в диапазоне от 0,6 до 6,7% в моделируемом периоде (2009-2017 гг.).
Дальнейшее развитие исследований в этом направлении с анализом NDVI по маске разных сельскохозяйственных культур позволит осуществлять прогнозирование урожайности на более раннем этапе и даст возможность не только корректировки планов, но и выполнения ряда мероприятий по повышению урожайности, таких как внесение удобрений и др. На следующем этапе исследований планируется разработать интерфейс для интеграции разработанных программных модулей Python с системой Вега-Science, а также автоматизацию и обеспечение возможности использования программного продукта непосредственно специалистами в области сельского хозяйства. Результаты исследования могут быть востребованы как отдельными фермерскими организациями, так и департаментами сельского хозяйства разного уровня [70].
Источник: Буклагин Д.С., Мишуров Н.П., Балабанов В.И., Зейлигер А.М., Петухов Д.А. Цифровые технологии оценки, планирования и прогнозирования использования земель сельскохозяйственного назначения: аналит. обзор – М.: ФГБНУ «Росинформагротех», 2020. – 92 с., страница 34-43
