Биологические науки / 4. Ресурсоведение и интродукция растений.

Сторчак И.Г.

Д.б.н. ЕрошенкоФ.В.

Ставропольский НИИ сельского хозяйства Россельхозакадемии

Использование NDVI в регрессионных моделях оценки урожайности озимой пшеницы в Ставропольском крае

 

Данные дистанционного зондирования земли в аграрном секторе используются для решения таких задач, как инвентаризация сельхозугодий, контроль состояния посевов, выделение участков эрозии, заболачивания, засоленности и опустынивания, определение состава почв, слежение за качеством и своевременностью проведения различных технологических мероприятий, наблюдение за динамикой развития сельскохозяйственных культур и прогнозирование урожайности. К сожалению исследований, позволяющих разработать систему оценки состояния посевов и их продуктивности с использованием показателей дистанционного мониторинга из космоса, крайне мало. Такие данные характеризуются повторяемостью, значительным покрытием и быстрым доступом, а поэтому применимы к прогнозированию урожайности (Manjunathetal., 2002; Prasadetal., 2006; Becker-Reshefetal., 2010).

Прогноз урожайности осуществляется различными методами, среди которых визуальная оценка состояния полей, статистическая обработка, поиск по году аналогу, модели роста и регрессионные подходы (Chipanshietal., 1999; Doraiswamy, Cook, 1995; Maselli, Rembold, 2001; Walletal., 2007).

Целью наших исследований было установить возможность использования данных дистанционного зондирования земли для прогнозирования урожайности основной зерновой культуры Ставропольского края – озимой пшеницы. В качестве исходных данных нами были использованы материалы Статуправления Ставропольского края и Института космических исследований РАН – сервис ВЕГА (http://vega.smislab.ru/). Анализ проводили за период с 2003 по 2013 годы.

Нами была построена регрессионная модель зависимости урожая зерна озимой пшеницы от NDVI среднего за вегетативно-генеративный период (рис. 1). Коэффициенты корреляции для каждого района варьирует от 0,51 (Андроповский район) до 0,94 (Георгиевский район). Такой большой разброс данных и низкий коэффициент аппроксимации регрессионной модели могут быть следствием влияния почвенно-климатических условий выращивания озимой пшеницы (Н.Н.Куссуль с соавторами, 2012).

Рисунок 1 – Регрессионная модель урожайности озимой пшеницы для Ставропольского края (2003-2013гг.)

 

В Ставропольском крае по агроклиматическим и почвенным условиям выделено четыре зоны (рис. 2): крайне-засушливая (I), засушливая (II), неустойчивого (III) и достаточного увлажнения (IV).

Крайне засушливая зона включает часть Туркменского района, Апанасенковский, Арзгирский, Левокумский и Нефтекумский районы. В зоне преобладают каштановые, светло-каштановые почвы и имеется большое количество песчаных массивов. Среднегодовое количество осадков – 387-400 мм, сумма температур выше 100С – 3720-37500С, гидротермический коэффициент Селянинова Г.Т. (1937) (ГТК) – 0,63-0,72.

Зоны края

Рисунок 2 – Агроклиматические зоны Ставропольского края

 

Засушливая зона располагается с северо-запада на юго-восток, охватывает северные и восточные склоны Ставропольской возвышенности и территорию, расположенную юго-восточнее реки Кумы. Зона включает Ипатовский, западную часть Туркменского, Курский, Благодарненский, Буденновский, Советский, Новоселицкий и Степновский районы. Среднегодовое количество осадков – 433-482 мм, сумма температур выше 100С – 3650-38000С, ГТК 0,72-0,81.

Зона неустойчивого увлажнения включает Азово-Кубанскую низменность, Ставропольскую возвышенность и предгорные равнины с тринадцатью административными районами: Петровский, Александровский, Новоалександровский, Красногвардейский, Изобильненский, Труновский, Грачевский, Шпаковский, Кочубеевский, Андроповский, Минераловодский, Георгиевский и Кировский. Среднегодовое количество осадков – 511-636 мм, ГТК 1,0-1, сумма температур выше 100С – 3300-36500С.

К зоне достаточного увлажнения относится Предгорный район. Климатические условия зоны очень благоприятны: годовое количество осадков составляет 665 мм, ГТК варьирует от 1,1 до 1,8, сумма температур выше 100С – 25700С.

Нами были рассчитаны модели зависимости урожая зерна озимой пшеницы от NDVI для каждой почвенно-климатической зоны Ставропольского края (рис.3).

Рисунок 2 – Регрессионные модели зависимости урожая зерна озимой пшеницы от NDVI по почвенно-климатическим зонам Ставропольского края (2003-2013гг)

 

Распространение расчетов на такие административные единицы повышают точность регрессии. Коэффициенты корреляции для I, II, III и IV зон в этом случае определяются величинами 0,85, 0,90, 0,79 и 0,96 соответственно, при этом значения коэффициенты аппроксимации равны 0,72, 0,81, 0,62 и 0,92. При построении модели для Ставропольского края, по данным, усредненным по почвенно-климатическим зонам края, нами была получена следующая регрессионная зависимость: Урожайзерна = 117,6·NDVI - 29,04 (рис. 3).

Рисунок 3 – Регрессионная модель зависимости урожая зерна озимой пшеницы от NDVI для Ставропольского края (2003-2013гг.)

 

Рассчитанная таким образом модель обладает достаточно высокими характеристиками точности (R2=0,80).

Таким образом, построение регрессионных моделей зависимости урожая зерна озимой пшеницы от NDVI по данным территорий, относящихся к определенной почвенно-климатической зоне края, значительно улучшает их характеристики по сравнению с данными взятыми по каждому району.

 

Литература:

1.     Becker-Reshef I. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data / I.Becker-Reshef, E.Vermote, M.Lindeman, С.Justice // Remote Sensing of Environment. ‒ 2010. ‒ 114(6). ‒ P. 1312-1323.

2.    Chipanshi A.C. Large-scale simulation of wheat yields in a semi-arid environment using a crop-growth model / A.C.Chipanshi, E.A.Ripley, R.G.Lawford// Agricultural Systems. ‒ 1999. ‒ 59. ‒ P. 57-66.

3.    Doraiswamy P.C. Spring wheat yield assessment using NOAA AVHRR data / P.C.Doraiswamy, P.W.Cook// Canadian Journal of Remote Sensing. ‒ 1995. ‒ 21. ‒P. 43-51.

4.    Manjunath K.R. Large area operational wheat yield model development and validation based on spectral and meteorological data / K.R.Manjunath, M.B.Potdar, N.L.Purohit // International Journal of Remote Sensing. ‒ 2002. ‒ 23. ‒ P. 3023-3038.

5.    Maselli F. Analysis of GAC NDVI data for cropland identification and yield forecasting in Mediterranean African countries / F.Maselli, F.Rembold// Photogrammetric Engineering and Remote Sensing. ‒ 2001. ‒ 67. ‒ P. 593-602.

6.    Prasad A.K. Crop yield estimation model for Iowa using remote sensing and surface parameters / A.K.Prasad, L.Chai, R.P.Singh, M.Kafatos// International Journal of Applied Earth Observation and Geoinformation. ‒ 2006. ‒ 8. ‒ P. 26-33.

7.     Wall L. The early explanatory power of NDVI in crop yield modeling / L.Wall, D.Larocque, P.M.Leger // International Journal of Remote Sensing. ‒ 2007. ‒ 29. ‒ P. 2211-2225.

8.     Куссуль Н.Н. Регрессионные модели оценки урожайности сельскохозяйственных культур по данным MODIS / Н.Н.Куссуль, А.Н.Кравченко, СВ.Скакун, Т.И.Адаменко, А.Ю.Шелестов, А.В.Колотий, Ю.А.Грипич // Современные проблемы дистанционного зондирования Земли из космоса. ‒ 2012. ‒ Т.9. ‒ № 1. ‒ С. 95-107

9.     Селянинов Г.Т. Методика сельскохозяйственной характеристики климата // Мировой агроклиматический справочник. - Л.: Гидрометеоиздат, 1937. - С. 5-27.