(1) Институт водных проблем РАН, Москва, Россия
(2) Саратовский государственный университет генетики, биотехнологии и инженерии имени Н.И. Вавилова, Саратов, Россия
(3) Федеральный научный центр – Агрофизический институт, Санкт Петербург, Россия
(4) Российский государственный аграрный университет — МСХА им. К. А. Тимирязева, Москва, Россия

ВВЕДЕНИЕ
В соответствии с прогнозами увеличения к 2050 году населения Земли до 9-ти миллиардов человек [1], необходимо увеличение сельскохозяйственного производства за счет повышения производительности труда при минимизации негативных воздействий на окружающей среды. Для этого потребуются методы и технологии управления агрофитоценозами, основанными на точной и своевременной пространственной информации о их росте и развитии. В этом сценарии дистанционное зондирование Земли (ДЗЗ) рассматривается в качестве поставщика высокоточных пространственных данных о состоянии сельскохозяйственных земель, которые будут использоваться для их эффективного и устойчивого управления, оказывая при этом влияние на финансовый рынок, а также планирование государственной и корпоративной политики в области поставок продовольствия, а также продовольственной безопасности [2].
Тем не менее, мониторинг урожайности на уровне отдельных агроценозов сталкивается с ограничениями из-за низкого распространения уборочных комбайнов с устройствами картирования [3]. В этой связи на разных масштабах проводятся исследования взаимосвязей между процессами роста и развития сельскохозяйственных культур с их биотическими и абиотическими стрессами [4-6]. При этом большинство разрабатываемых моделей прогнозирования урожайности, основанных на данных ДЗЗ, используют или отдельные вегетационные индексы (ВИ) [7,8], считающихся ключевыми предикторами урожайности биомассы, связанной с урожайностью, или их ансамбли [9], которые с помощью машинного обучения демонстрируют более высокую эффективность предсказаний [10]. Однако, в случае орошаемых агроценозов эти предикторы не всегда могут отражать пространственное варьирование урожайности, вызванное локальными проявлениями разнообразных биотических и абиотических стрессами в период вегетации [11-12], в частности, вызванных антропогенными факторами [13,14]. В этой связи в представленной статье обсуждаются результаты применения разработанного метода оценки пространственного варьирования урожайности орошаемого посева сои, основанного на использовании потоков суммарного испарения ЕТа, рассчитанных по модели METRIC с использованием данных тепловой съемки аппаратурой Landsat 8,9, а также метеоданных наземного мониторинга.

ОБЪЕКТ
Объект исследований представлял собой выращенный засушливым летом 2023 г. на территории УНПО "Поволжье" Вавиловского университета (Энгельский район Саратовской области) орошаемый посев сои сорта Соер-7 (координаты центра поля:51°07'33.4"N 46°00'02.3"E). Территория УНПО "Поволжье" расположена на левом берегу р. Волги, в зоне сухих степей, характеризующихся континентальным климатом с суровой зимой и жарким в течение вегетации летом, с периодически повторяющимися атмосферными и почвенными засухами. Почвенный покров этой территории представлен в основном каштановыми почвами среднесуглинистого механического состава, с разной степенью осолнцевания и промытости.
Орошение исследованных посевов сои проводилось с конца мая по конец августа. Сорта Соер-7 дождевальной машиной (ДМ) кругового действия (КД) «Каскад» кругового действия и сорта Натали ДМ Зимматик фронтального действия (ФД). За этот период было проведено 6-ть поливов, продолжительностью 3-4 дня, нормами от 120 мм до 200 мм с итоговой оросительной нормой 250 мм.

МЕТОД
С целью решения задачи по картированию урожайности посева орошаемой сои был разработан метод, основанный на поиске наилучшего сочетания результатов пробных укосов и потоков суммарного испарения, рассчитанных по модели METRIC с использованием съемки LandSat 8-9 [15,14] в местах этих укосов.
Пробные укосы посевов сои были проведены в заранее идентифицированы по данным наземных наблюдений данным ДЗЗ местоположениях (локациях) обоих посевов: а) 6-ти сорта Соер-7 - 28.09.2023; б) 8-ми сорта Натали - 30.09.2023. В каждой из этих локаций укосы проводились зерноуборочным селекционным комбайном TERRION-SAMPO SR2010 с шириной захвата 2 м, в 3- кратной повторности, Сформированные при этом в каждой локации смежные делянки длиной 20 м и шириной 2 м были расположенные параллельно друг-другу по длинной стороне. Координаты углов каждой из делянок фиксировались с помощью приложения GPS Map Camera. Семена сои, собранные на каждой из этих делянок, были помещены в мешки и взвешены. Влажность зерен сои была измерена прибором Wile 65 - grain moisture meter. Учет опавших семян сои проводился на каждой делянке на 2-х представительных площадках размером 0,5х0,5м. По данным укосов, веса опавших семян, а также их влажности для каждой делянки были рассчитаны величины биологической урожайности, соответствующей стандартной влажности 14%.
Значения суточных потоков ЕТа, соответствующие локациям делянок пробных укосов были рассчитаны по модели METRIC по безоблачным сценам съемок LandSat 8 в оптическом (каналы 2-7) и дальнем ИК (канал 10) диапазонах электромагнитного спектра. Соответствующие расчёты были реализованы в ПО ГИС GRASS и QGIS с использованием скрипта Python и применением библиотек PyGRASS и PyQGIS. В качестве входных данных были использованы ряды наземного метеорологического мониторинга: а) полевой метеостанции марки Сокол-М, расположенной от этих посевов на расстоянии 4 км; б) метеостанции стандартной гидрометеорологической сети Саратов-Южный (WMO ID: 34178), расположенной на расстоянии 35 км.

РЕЗУЛЬТАТЫ
Статистический анализ результатов пробных укосов выявил значительное пространственное варьирование урожайности сои, что могло быть следствием технических особенностей реализации поливных режимов в случае ДМ кругового (Каскад) и фронтального (Зимматик) действия, а также технической неисправности первой из них при проведении последнего полива.
С целью нахождения обоих посевов сои наилучшего сочетания данных оценок урожайностей, рассчитанных по результатам пробных укосов и расчета потоков ЕТа, соответствующих местоположениям делянок, были использованы наборы сумм последних (кумулятивные значения), начинавшихся с разных дат, наиболее ранняя из которых соответствовала наступления фазы налива зерна, и заканчивавшихся датой проведения пробных укосов. Соответствующие кумулятивные значения были рассчитаны, как суммы произведений средних арифметических значений ЕТа, соответствующих соседним сеансам съемок Landsat 8-9, на значение суточного интервала времени между ними.
Для последующей оценки тесноты корреляционной связи между наборами биологической урожайностей обоих посевов сои, и наборов кумулятивных суммарных потоков ЕТа, был применен метод линейной регрессии. По результатам сравнения рассчитанных значений коэффициента Пирсона в качестве наилучших вариантов для каждого посева был выбран вариант, имевший наиболее высокое значение этого коэффициента.

ОБСУЖДЕНИЕ
Картограммы урожайности посевов сои были рассчитаны по картограммам кумулятивных значений потоков ЕТа, имевшим наибольшие значения коэффициента Пирсона, с использованием соответствующих найденных значений коэффициентов линейных регрессий. Визуальный анализ отображенных картограмм урожайностей посевов сои подтвердил, вывод о их отличии, сделанном по результатам статистического анализа, но при этом позволил идентифицировать набор зоны, со значимо отличающимися значениями. Наиболее наглядной оказалась зона с наименьшими значениями урожайностей посева сорта Соер 7, последний полив которой не был проведен из-за аварии ДМ Каскад. Интересно, что в этой зоне не были проведены пробные укосы, а соответствующие ей значения урожайностей фактически являются результатом экстраполяции. В тоже самое время наличие этой зоны на картограммах NDVI на даты, последовавшие за этой аварией, свидетельствует о правомочности сделанного ранее вывода о влиянии поливного режима на сроки наступления последней фазы вегетации сои [Формирование паттерн потоков суммарного испарения, влажности поверхностного слоя почвенного покрова и NDVI в 2022 г. при орошении посева сои дождевальной машиной Каскад (УНПО "Поволжье", Энгельский район Саратовской области) / А. М. Зейлигер, О. С. Ермолаева, А. В. Доброхотов [и др.] // Материалы 21-й Международной конференции "Современные проблемы дистанционного зондирования Земли из космоса", Москва, 13–17 ноября 2023 года. – Москва: Институт космических исследований Российской академии наук, 2023. – С. 368. – EDN TCNRQC.].

ВЫВОДЫ
1) Проведенный пространственный анализ урожайности посевов сои с использованием наборов данных пробных укосов и потоков суммарного испарения позволил выявить наличие зон с значимо отличающимися значениями урожайностей.
2) Разработанный способ может быть использован в качестве инструмента исследований, связанных с пространственным варьированием урожайности агроценозов, на основе данных ДЗЗ.

БЛАГОДАРНОСТИ
Исследование выполнено за счет гранта Российского научного фонда № 23-27-00438, https://rscf.ru/project/23-27-00438/.

Ключевые слова: картирование, урожайность семян сои, пробные укосы, орошение, суммарное испарение, METRIC, Landsat 8-9, метеоданные

Литература:

FAO (Food and Agriculture Organization of the United Nations) (2018). The future of food and agriculture—Alternative pathways to 2050. Summary version. Rome. 60 pp. Licence: CC BY-NC-SA 3.0 IGO. Retrieved March 31, 2021 from http://www.fao.org/3/I8429EN/i8429en.pdf. Accessed on 31 March 2021;
Gusso, A., & Ducati, J. R. (2012). Algorithm for soybean classifcation using medium resolution satellite images. Remote Sensing, 4(10), 3127–3142. https://doi.org/10.3390/rs4103127 Silva Junior, C. A., da, Nanni, M. R., Teodoro, P. E., & Silva, G. F. C. (2017). Vegetation indices for discrimination of soybean areas: A New Approach. Agronomy Journal, 109(4), 1331–1343. https://doi. org/10.2134/agronj2017.01.0003;
Генин В.А., Клебанович Н. В. Моделирование урожайности кукурузы и сои по данным дистанционного зондирования земли // Вестник Белорусской государственной сельскохозяйственной академии. 2018. № 4. С. 100-104;
Dado, W. T., Deines, J. M., Patel, R., Liang, S. Z., & Lobell, D. B. (2020). High-Resolution Soybean Yield Mapping Across the US Midwest Using Subfeld Harvester Data. Remote Sensing, 12(21), 3471. https:// doi.org/10.3390/rs12213471;
Kross, A., Znoj, E., Callegari, D., Kaur, G., Sunohara, M., Lapen, D. R., et al. (2020). Using Artifcial Neural Networks and Remotely Sensed Data to Evaluate the Relative Importance of Variables for Prediction of Within-Field Corn and Soybean Yields. Remote Sensing, 12(14), 2230. https://doi.org/10.3390/ rs12142230;
Зейлигер, А. М. Методы, масштабы и данные дистанционного зондирования в моделях роста и развития агрофитоценозов / А. М. Зейлигер, О. С. Ермолаева // Применение средств дистанционного зондирования Земли в сельском хозяйстве : Материалы III Всероссийской научной конференции с международным участием, Санкт-Петербург, 16–17 сентября 2021 года. – Санкт-Петербург: Агрофизический научно-исследовательский институт РАСХН, 2021. – С. 20-23. – EDN CILJXS;
Bolton, D. K., & Friedl, M. A. (2013). Forecasting crop yield using remotely sensed vegetation indices and crop phenology metrics. Agricultural and Forest Meteorology, 173, 74–84. https://doi.org/10.1016/j. agrformet.2013.01.007;
Dado, W. T., Deines, J. M., Patel, R., Liang, S. Z., & Lobell, D. B. (2020). High-Resolution Soybean Yield Mapping Across the US Midwest Using Subfeld Harvester Data. Remote Sensing, 12(21), 3471. https:// doi.org/10.3390/rs12213471;
Dado, W. T., Deines, J. M., Patel, R., Liang, S. Z., & Lobell, D. B. (2020). High-Resolution Soybean Yield Mapping Across the US Midwest Using Subfeld Harvester Data. Remote Sensing, 12(21), 3471. https:// doi.org/10.3390/rs12213471;
L.G.T. Crusiol1,·Liang Sun,·R.N.R. Sibaldelli,·V. Felipe Junior,·W.X. Furlaneti,·R. Chen,·Z. Sun,·D. Wuyun,·Z. Chen,·M.R. Nanni, R.H. Furlanetto,·E. Cezar,·A.L. Nepomuceno,·J.R.B. Farias. Strategies for monitoring within-feld soybean yield using Sentinel-2 Vis-NIR-SWIR spectral bands and machins learning regression methods. Precision Agriculture (2022) 23:1093–1123 https://doi.org/10.1007/s11119-022-09876-5
Sakamoto, T. (2020). Incorporating environmental variables into a MODIS-based crop yield estimation method for United States corn and soybeans through the use of a random forest regression algorithm. ISPRS Journal of Photogrammetry and Remote Sensing, 160, 208–228. https://doi.org/10.1016/j. isprsjprs.2019.12.012;
Zeyliger, A. M. Water stress regime of irrigated crops based on remote sensing and ground-based data / A. M. Zeyliger, O. S. Ermolaeva // Agronomy. – 2021. – Vol. 11, No. 6. – DOI 10.3390/agronomy11061117. – EDN GOXXXJ;
Зейлигер А. М. Пространственный анализ картограмм аэрокосмического и наземного проксимального зондирования, а также урожайности орошаемого посева сои УНПО "Поволжье" Энгельского района Саратовского государственного университета им Н.И. Вавилова / А. М. Зейлигер, С. В. Затинацкий, О. С. Ермолаева [и др.] // Материалы 19-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса», Москва, 15–19 ноября 2021 года / Институт космических исследований Российской академии наук. – Москва: Институт космических исследований Российской академии наук, 2021. – С. 348. – EDN QWXDBY;
Зейлигер А. М. Формирование паттерн потоков суммарного испарения, влажности поверхностного слоя почвенного покрова и NDVI в 2022 г. при орошении посева сои дождевальной машиной Каскад (УНПО "Поволжье", Энгельский район Саратовской области) / А. М. Зейлигер, О. С. Ермолаева, А. В. Доброхотов [и др.] // Материалы 21-й Международной конференции "Современные проблемы дистанционного зондирования Земли из космоса", Москва, 13–17 ноября 2023 года. – Москва: Институт космических исследований Российской академии наук, 2023. – С. 368. – EDN TCNRQC;
Allen R. G., Tasumi M., Trezza R. Satellite-based energy balance for mapping evapotranspiration with internalized calibration (METRIC)—Model. Journal of irrigation and drainage engineering. – 2007. – № 133(4).– P. 380-394.

Двадцать вторая международная конференция "СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"

XXII.F.531

Дистанционное зондирование растительных и почвенных покровов