Модели урожайности на основе спутниковых данных

Сельское хозяйство является одним из наиболее приоритетных направлений развития экономики Украины. При этом наша страна страдает от глобальных изменений климата, стихийных бедствий и засух, низких температур, наводнений, перепадов температуры. В последние годы такая тенденция стала еще более угрожающей.
Поэтому органам государственной власти всех уровней очень важно иметь средства мониторинга состояния сельскохозяйственных культур и оценки рисков их развития, таким образом, иметь возможность решения актуальных заданий государственного значения, а именно прогнозирования урожайности, оперативной оценки площадей посевов, прогнозирования валовых сборов сельскохозяйственной продукции, задач продовольственной безопасности и т.д. Но сейчас в Украине системы и средства мониторинга практически полностью отсутствуют.
Для мониторинга сельскохозяйственных культур и оценки рисков в мире используют геопространственные данные разной природы: аэрокосмические снимки и продукты (например, цифровую модель рельефа, карты землепользования), а также данные двумерного или трехмерного моделирования (в частности, метеорологические или физические модели). Результатом мониторинга при использовании такого рода информации становятся цифровые карты или многослойные геопространственные данные, существенно облегчающие процесс принятия решения соответствующими органами. Подобная информация может использоваться не только для картографирования районов с повышенным риском во время или после неблагоприятного события (засухи, заморозков, града), но и на других этапах цикла развития стихийного бедствия (disaster cycle) — в том числе для построения карт рисков, иллюстрирующих вероятность наступления события и ущерб, который может быть им причинен. В конечном итоге, на основе такой информации могут строиться модели прогнозирования урожайности сельскохозяйственных культур.
Спутниковые данные дистанционного зондирования Земли являются источником своевременной, объективной и относительно недорогой информации. Их применимость к прогнозированию урожайности ввиду их повторяемости, значительного покрытия и быстрого доступа была продемонстрирована для разных масштабов и разных географических регионов [1, 2]. Для оценки урожайности сельскохозяйственных культур разработаны различные методы, включая биофизические модели моделирование урожайности, в которых в качестве входных параметров применяются данные дистанционного зондирования с целью калибровки модели и ее настройки. Основным недостатком таких моделей является то, что они обычно требуют многочисленных специфических параметров для каждой культуры: характеристики почвы, обработки культур, агрометеорологические данные, сроки посева. Среди таких моделей следует отметить CERES, WOFOST, CROPSYST и STICS. Данные дистанционного зондирования наиболее часто применяются для построения регрессионных моделей [3], описывающих соотношение между различными вегетационными индексами и cтатистическими данными по урожайности. В докладе будет освещен индукционный подход и основанные на нем комплексные модели оценивания урожайности разных сельскохозяйственных структур с использованием слияния спутниковых данных и наземных наблюдений (data fusion). Будут проанализированы методология создания моделей урожайности и их точность.

Литература:
1. Becker-Reshef I., Vermote E., Lindeman M., Justice C. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data // Remote Sensing of Environment, 2010. 114(6). P. 1312-1323.
2. Куссуль Н.Н. , Ильин Н.И., Скакун С.В., Лавренюк А.Н. Оценка состояния растительности и прогнозирование урожайности озимых культур Украины по спутниковым данным // International Book Series "Decision Making and Business Intelligence, Strategies and Techniques" (ed. Markov K., Ivanova K., Mitov I.), 2008. N 3. P.103-109.
3. Wall L., Larocque D., Leger P.M. The early explanatory power of NDVI in crop yield modelling // International Journal of Remote Sensing, 2007. 29. P.2211-2225.