Моделирование условий вегетации с использованием отклонений текущих значений NDVI от среднемноголетних показателей

Автор: Родимцев С.А., Павловская Н.Е., Вершинин С.В., Зелюкин В.И., Горькова И.В.

Журнал: Сельскохозяйственная биология @agrobiology

Рубрика: Модели управления в точном земледелии

Статья в выпуске: 3 т.57, 2022 года.

Бесплатный доступ

В настоящее время одним из важных инструментов увеличения производства растениеводческой продукции становится внедрение систем точного земледелия. Как обязательный элемент таких систем в последние годы с успехом применяется управление продукционным процессом на основе моделирования отзывчивости вегетативной массы на изменение действующих условий. В отечественной и зарубежной литературе приведено немало примеров разработки математически моделей роста и развития растений с учетом влияния внешних факторов. Показано, что использование прогностических моделей позволяет своевременно реагировать на изменение условий вегетации и оперативно принимать оптимальные решения по проведению агрономических мероприятий. В настоящей работе впервые установлена зависимость между разностью (аномалией) среднегодовых и текущих сезонных показателей нормализованного вегетационного индекса NDVI и процессом роста и развития растений при влиянии действующих условий. Показано, что использование среднего значения наибольших показателей NDVI (normalized difference vegetation index) вегетационного периода культуры в качестве математического ожидания функции Гаусса-Лапласа для выравнивания зашумленных временных рядов вполне удовлетворяет условиям адекватности их аппроксимации. Получены математические модели влияния фотосинтетических, метеорологических и почвенно-климатических факторов на аномалии NDVI в конкретную фазу развития растений. Наша цель заключалась в получении прогностических моделей состояния процесса вегетации зерновых культур при влиянии действующих условий на основе сравнения среднемноголетних показателей вегетационного индекса NDVI с его текущими сезонными значениями. Исследования проводили на полях научно-образовательного производственного центра «Интеграция» ФГБОУ ВО Орловский ГАУ (Орловская обл.). Посевы озимой пшеницы ( Triticum aestivum L.) сорта Московская 39 занимали площадь 48,1 га, ярового ячменя ( Hordeum vulgare L. sensu lato) сорта Раушан - 17,4 га. Данные по значениям NDVI получали на геопортале «КосмосАгро», а также с применением беспилотного летательного аппарата Агрофлай Квадро 4/17 («Agrofly International», Россия). Компенсация зашумленности данных выполнялась посредством аппроксимации временных рядов функцией Гаусса-Лапласа. Адекватность регрессионных моделей аппроксимации временных рядов NDVI оценивали с помощью F -критерия Фишера и средней ошибки коэффициента аппроксимации; точность прогностических моделей подтверждалась показателем средней абсолютной ошибки Mean Absolute Percentage Error. В результате были получены временные ряды среднего индекса NDVI для изучаемых культур по данным многолетних наблюдений и рассчитаны текущие значения NDVI вегетационного сезона 2021 года. Установлен близкий к нормальному характер распределения временных рядов вегетационного индекса. Определены максимальные (пиковые) значения NDVI, составляющие 0,71 для озимой пшеницы и 0,54 - для ярового ячменя и приходящиеся на июнь, независимо от культуры. Цели выравнивания зашумленных временных рядов NDVI сельскохозяйственных культур в период вегетации наиболее полно удовлетворяет ассиметричная функция Гаусса-Лапласа, где в качестве математического ожидания применено среднее значение наибольших показателей NDVI вегетационного периода культуры. На основе показателя аномалий NDVI получены математические модели, описывающие влияние фотосинтетических, метеорологических и почвенно-климатических факторов на состояние культур в период конкретной фенофазы. Средняя абсолютная ошибка предложенных моделей составляла 9,23 для ярового ячменя, 5,68 - для озимой пшеницы. Таким образом, предлагаемая характеристика DNDVI может быть использована в качестве независимой переменной (критерия оптимизации) в факторных моделях прогнозирования динамики вегетационного процесса.

Еще

Прогноз урожайности, вегетационный индекс, ndvi, функция гаусса, факторный анализ, аппроксимация временных рядов

Короткий адрес: https://sciup.org/142236344

IDR: 142236344   |   DOI: 10.15389/agrobiology.2022.3.591rus

Список литературы Моделирование условий вегетации с использованием отклонений текущих значений NDVI от среднемноголетних показателей

  • Tran D.V., Nguyen N.V. The concept and implementation of precision farming and rice integrated crop management systems for sustainable production in the twenty-first century. Int. Rice Commiss. Newslett (FAO), 2006, 55: 91-102 (https://www.fao.org/37a0869t/a0869t04.pdf).
  • Lowenberg-DeBoer J. Comment on "Site-specific crop management: adoption patterns and incentives". Review of Agricultural Economics, 2000, 22(l): 245-247 (doi: 10.1111/1058-7195.t01-1-00018).
  • Якушев В.П., Буре В.М., Митрофанова О.А., Митрофанов Е.П. Теоретические основы вероятностно-статистического прогнозирования неблагоприятных агрометеоусловий. Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления, 2021, 17(2): 174-182 (doi: 10.21638/11701/spbu10.2021.207).
  • Yang C., Anderson G.L., King J.H., Jr., Chandler E.K. Comparison of uniform and variable rate fertilization strategies using grid soil sampling, variable rate technology, and yield monitoring. In: Proceedings of the Fourth International Conference on Precision Agriculture /P. Robert, R. Rust, W. Larson (eds.). ASA, CSSA, SSSA, 1999: 675-686 (doi: 10.2134/1999.precisionagproc4.c65).
  • Huang Sh., Tang L., Hupy J., Wang Ya., Shao G. A commentary review on the use of normalized diference vegetation index (NDVI) in the era of popular remote sensing. Journal of Forestry Research, 2020, 32(5): 1-6 (doi: 10.1007/s11676-020-01155-1).
  • Rathore A., Mishra S., Nikita S., Priyanka P. Bioprocess control: current progress and future perspectives. Life, 2021, 11(6): 557 (doi: 10.3390/life11060557).
  • Lu F.M. Automated crop production for the 21st century. Agricultural and Biosystems Engineering, 2000, 1(1): 59-62.
  • González-Betancourt M, Mayorga-Ruíz L. Normalized difference vegetation index for rice management in El Espinal, Colombia. DYNA, 2018, 85(205): 47-56 (doi: 10.15446/dyna.v85n205.69516).
  • Shpak N., Muzychenko-Kozlovska O., Gvozd M., Sroka W. Simulation of the influence of external factors on the level of use of the regional tourism potential: a practical aspect. Administrative Sciences, 2021, 11(3): 85 (doi: 10.3390/admsci11030085).
  • Филиппов Е.Г., Донцова А.А., Донцов Д.П. Селекция ярового ячменя на толерантность к засухе. Зерновое хозяйство России, 2013, 6: 9-12.
  • Hubbard K.G., Rossenberg N.J., Neilsen D.C. Automated weather station network for agriculture. Journal of Water Resources Planning and Management, 1983, 109(3): 213-222 (doi: 10.1061/(ASCE)0733-9496(1983)109:3(213)).
  • Санин С.С., Ибрагимов Т.З. Цифровые технологии в защите растений. Защита и карантин растений, 2019, 9: 3-7.
  • Блохин Ю.И., Белов А.В., Блохина С.Ю. Комплексная система контроля влажности почвы и локальных метеоусловий для интерпретации данных дистанционного зондирования. Современные проблемы дистанционного зондирования Земли из космоса, 2019, 16(3): 87-95 (doi: 10.21046/2070-7401-2019-16-3-87-95).
  • Якушев В.П., Якушев В.В., Блохина С.Ю., Блохин Ю.И., Матвеенко Д.А. Информационное обеспечение современных систем земледелия в России. Вестник Российской академии наук, 2021, 91(8): 755-768 (doi: 10.31857/S0869587321080090).
  • Боровский К.В., Санин С.С. Новый подход к развитию системы поддержки принятия решений по борьбе с эпидемиологическими болезнями растений. Мат. Межд. науч.-практ. конф. «Эпидемия болезней растений: мониторинг, прогноз, контроль». Большие Вязьмы, 2017: 359-368.
  • Митрофанова О.А., Якушев В.П., Буре В.М. Оценка внутриполевой изменчивости с помощью вариограммного анализа данных дистанционного зондирования. Мат. III Всерос. науч. конф. с международным участием «Применение средств дистанционного зондирования Земли в сельском хозяйстве». СПб, 2021: 174-177.
  • Kosaki T., Wasano K., Juo A.S.R. Multivariate statistical analysis of yield-determining factors. Soil Science and Plant Nutrition, 1989, 35(4): 597-607 (doi: 10.1080/00380768.1989.10434795).
  • Родимцев С.А., Еремин Л.П., Гуляева Т.И. Прогнозирование вегетационных процессов растений с использованием автоматической метеостанции «Сокол-М». Вестник БГАУ, 2021, 3(59): 21-30 (doi: 10.31563/1684-7628-2021-59-3-21-30).
  • Якушев В.П., Буре В.М., Митрофанова О.А., Митрофанов Е.П., Блохина С.Ю. Особенности обработки аэрокосмических снимков для оптимизации геостатистических исследований внутриполевой изменчивости в задачах точного земледелия. Современные проблемы дистанционного зондирования Земли из космоса, 2021, 18(4): 128-139 (doi: 10.21046/20707401-2021-18-4-128-139).
  • Houborg R., McCabe M.F. High-resolution NDVI from planet's constellation of earth observing nano-satellites: a new data source for precision agriculture. Remote Sens., 2016, 8: 768 (doi: 10.3390/rs8090768).
  • Meera Gandhi G., Parthiban S., Thummalu N., Christy A. NDVI: Vegetation change detection using remote sensing and GIS — a case study of Vellore District. Procedia Computer Science, 2015, 57: 1199-1210 (doi: 10.1016/j.procs.2015.07.415).
  • Бочкарева Е.А., Христодуло Е.А., Биглова А.Д., Грехова Ю.С. Интерполирование временных рядов NDVI сезонного развития растительности сельскохозяйственных земель. Международный научно-исследовательский журнал, 2017, 1(67): 34-38 (doi: 10.23670/IRJ.2018.67.107).
  • Forkel M., Carvalhais N., Verbesselt J., Mahecha M., Neigh C., Reichstein M. Trend change detection in NDVI time series: effects of inter-annual variability and methodology. Remote Sens., 2013, 5(5): 2113-2144 (doi: 10.3390/rs5052113).
  • Horion S., Tychon B., Cornet Y. Climatological characteristics of NDVi time series: challenges and constraints. BSGLg, 54, 2010: 137-144.
  • Катаев М.Ю., Бекеров А.А., Лукьянов А.К. Методика выравнивания временных рядов вегетационного индекса NDVI, полученных по данным спектрорадиометра MODIS. Доклады ТУСУРа, 2016, 19(1): 35-39 (doi: 10.21293/1818-0442-2016-19-1-35-39).
  • Harter H.L. The method of least squares and some alternatives: part II. International Statistical Review. Revue Internationale de Statistique, 1974, 42(3): 235-282 (doi: 10.2307/1402983).
  • Gitelson A.A., Stark R., Grits U., Rundquist D., Kaufman Y., Derry D. Vegetation and soil lines in visible spectral space: a concept and technique for remote estimation of vegetation fraction. International Journal of Remote Sensing, 2002, 23(13): 2537-2562 (doi: 10.1080/01431160110107806).
  • Геопортал ГК «СканЭкс». Официальный сайт. [Электронный ресурс]. Режим доступа: https://www.scanex.ru/cloud/kosmosagro. Без даты.
  • ScanEx GeoMixer. Режим доступа: http://geomixer.ru/. Без даты.
  • Jonsson P., Eklundh L. Seasonality extraction and noise removal by function fittingto time-series of satellite sensor data. IEEE Transactions of GGeoscience and Remote Sensing, 2002, 40(8): 1824-1832 (doi: 10.1109/TGRS.2002.802519).
  • Chu D., Shen H., Guan X., Chen J.M., Li X., Li J., Zhang L. Long time-series NDVI reconstruction in cloud-prone regions via spatio-temporal tensor completion. Remote Sensing of Environment, 2021, 264: 112632 (doi: 10.1016/j.rse.2021.112632).
  • Geng L., Ma M., Wang X., Yu W., Jia S., Wang H. Comparison of eight techniques for reconstructing multi-satellite sensor time-series NDVI data sets in the Heihe river basin, China. Remote Sens., 2014, 6(3): 2024-2049 (doi: 10.3390/rs6032024).
  • Ясногородский Р.М. Теория вероятностей и математическая статистика: уч. пос. СПб, 2019.
  • Khair U., Fahmi H., Al Hakim S., Rahim R. Forecasting error calculation with mean absolute deviation and mean absolute percentage error. Journal of Physics: Conference Series, 2017, 930: 012002 (doi: 10.1088/1742-6596/930/1/012002).
  • Heil K., Lehner A., Schmidhalter U. Influence of climate conditions on the temporal development of wheat yields in a long-term experiment in an area with pleistocene loess. Climate, 2020, 8(9): 100 (doi: 10.3390/cli8090100).
  • Чекалин С.Г., Оськина А.А., Сейфулина Ш., Кравченко А.С. Оценка влияния различных типов засух на продуктивность возделываемых культур. Известия Оренбургского государственного аграрного университета, 2020, 1(81): 19-24 (doi: 10.37670/2073-0853-2020-81-113-19).
  • Johnson D.M., Rosales A., Mueller R., Reynolds C., Frantz R., Anyamba A., Pak E., Tucker C. USA crop yield estimation with MODIS NDVI: are remotely sensed models better than simple trend analyses? Remote Sens., 2021, 13(21): 4227 (doi: 10.3390/rs13214227).
  • Vannoppen A., Gobin A. Estimating yield from NDVI, weather data, and soil water depletion for sugar beet and potato in Northern Belgium. Water, 2022, 14(8): 1188 (doi: 10.3390/w14081188).
  • Zhanga H., Chena H., Zhou G. The model of wheat yield forecast based on modis-NDVI -a case study of Xinxiang. ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, I-7: 25-28 (doi: 10.5194/isprsannals-I-7-25-2012).
  • Turvey G., Mclaurin M. Applicability of the normalized difference vegetation index (NDVI) in index-based crop insurance design. Weather, Climate, and Society, 2012, 4(4): 217-284 (doi: 10.1175/WCAS-D-11-00059.1).
  • Wilton M. Crop yield estimation using NDVI: a comparison of various NDVI metrics. MSc Thesis. Winnipeg, Manitoba, 2021 (https://mspace.lib.umanitoba.ca/).
  • Huck M, Hillel D. A model of root growth and water uptake accounting for photosynthesis, respiration, transpiration and soil hydraulics. Advances in Irrigation, 1983, 2: 273-333 (doi: 10.1016/B978-0-12-024302-0.50015-1).
  • De Wit C.T. et al. Simulation of assimilation, respiration and transpiration of crops. Simulation Monographs. Wageningen, The Netherlands, 1978.
  • Lopez-Jimenez J., Vande Wouwer A., Quijano N. Dynamic modeling of crop-soil systems to design monitoring and automatic irrigation processes: a review with worked examples. Water, 2022, 14(6): 889 (doi: 10.3390/w14060889).
Еще
Статья научная