CC BY
158
УДК 528.88
В.М. Брыксин, А.В. Евтюшкин ЮНИИ ИТ, Ханты-Мансийск
ОЦЕНКА УРОЖАЙНОСТИ ЗЕРНОВЫХ КУЛЬТУР НА ОСНОВЕ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ И МОДЕЛИ БИОПРОДУКТИВНОСТИ
При государственном управлении сельскохозяйственным производством особую актуальность имеет задача поэтапной оценки и уточнения урожайности зерновых культур и валовых сборов, как в разрезе отдельных хозяйств, так и на уровне административных районов субъектов РФ, как в условиях нормального воспроизводства, так и в условиях стихийных бедствий. Данная ситуация осложняется ухудшением экологического состояния земель и существенными нарушениями агротехники возделывания, приводящие к уменьшению продуктивности сельскохозяйственных культур.
Полноценный мониторинг сельскохозяйственных культур для достижения практически значимых результатов (прогнозирование урожайности, засух, анализ причин снижения продуктивности, изменения экологической ситуации) требует сбора большого объема данных для построения моделей, которые можно применить для достижения результатов, что не всегда возможно. Значения исходных параметров контроля изменяются не только в пространстве, но и во времени.
В этой связи становиться актуальным вопрос применения данных дистанционного зондирования для мониторинга состояния сельскохозяйственных посевов и их применение в качестве дополнительных характеристик в имитационной модели биопродуктивности. Использование данных дистанционного зондирования позволяет повысить точность измерения биометрических показателей и предоставляет возможность провести интерполирование значений показателей на территории, не охваченные наземными измерениями. Методика использования данных ДЗЗ для сканеров МСУ-СК, МСУ-Э спутника Ресурс-01№3 и AVHRR спутников NOAA-12,14,15,16 и модели биопродуктивности для оценки урожайности яровой пшеницы на территории Алтайского края описана в [1-3].
Исходя из выше сказанного, перед авторами была поставлена задача перенести данную методику на территорию Тюменской области с применением данных со сканеров МСУ-Э спутника МЕТЕОР-3М и MODIS спутника TERRA принимаемых в Центре ДЗЗ ЮНИИ ИТ.
Модель биопродуктивности
Как отмечалось в [4], в настоящее время предметом особого внимания в изучении и оценке агроклиматических ресурсов и агроклиматического потенциала территорий становятся различные имитационные модели биопродуктивности. Для оценки урожайности зерновых культур была использована модель биопродуктивности EPIC (Erosion Productivity Impact Calculator), разработанной Dr. Williams.
EPIC является непрерывной имитационной моделью, которая может использоваться для определения стратегий управления в сельском хозяйстве, расчета изменений почвенных и водных ресурсов. Данная модель позволяет
вычислять основные параметры культуры (биомассу, листовой индекс, высоту растения и др.) на каждый день, что позволяет сравнивать с данными наземных измерений и дистанционного зондирования и, в случае необходимости, вносить корректировки в процесс моделирования. Для расчетов по южной части Тюменской области был использован двухкомпонентный вариант модели с расчетом влагообмена в почве, так как существенными параметрами для процесса моделирования являются сроки сева, начальный влагозапас и гидрологические параметры почвы. В тоже время такие параметры, как содержание минеральных веществ и процент гумуса являются менее существенными.
В модели EPIC потенциальное изменение в сухой биомассе (АБр) зависит от листового индекса (LAI) и солнечной радиации (RA):
АБ = 0.0005 • БЕ • RA • (l - e->6iLAI) где BE - коэффициент преобразования энергии к биомассе Реальное ежедневное приращение биомассы корректируется коэффициентом стресса (REG), который определяется как минимальная величина из водного, температурного и азотного стрессов.
Моделирование приращения листового индекса (LAI) разделено на два этапа: от появления листьев до начала увядания и от начала увядания до конца сельскохозяйственного сезона. Листовой индекс рассчитывается исходя из максимального листового индекса, текущего листового индекса и накопления суммы эффективных температур.
Урожайность зерна (YLD) рассчитывается пропорционально итоговой сухой биомассе: YLD = HI • max(BIOM), где HI - индекс урожайности.
Для расчета водного и азотного стрессов используется моделирование влагопереноса по слоям почвы, при этом учитывается таянье снега, испарение из почвы и растения, использование влаги растением.
Моделирование урожайности на территории Тюменской области с использованием космических изображений
Сканер MODIS, установленный на спутнике TERRA, имеет полосу захвата 2330 км, 36 спектральных каналов в интервале от 0.4 до 14.38 мкм. Пространственное разрешение в каналах 1 и 2 равно 250 м, в каналах с 3 по 7 - 500 метров, в остальных - 1000м.
По орбитальным изображениям MODIS вычислялся нормализованный вегетационный индекс (NDVI), позволяющий уменьшить влияние условий съемки в разное время суток:
NDVI=(L2-L1)/(L2+L1),
где L1 и L2 - яркости 1 и 2 каналов сканера MODIS.
Ранее, в результате многочисленных экспериментов [3] было показано, что значения NDVI хорошо коррелируют с такими характеристиками растительного покрова, как индекс площади листьев (LAI), коэффициент вегетационного покрытия и зеленая биомасса (чистая первичная продуктивность). С увеличением значений перечисленных параметров растут и значения NDVI, но зависимость эта линейна только в определенном
интервале. Уже при содержании хлорофилла выше 3-5 мг/см и листовом индексе выше 4-5 наблюдается эффект насыщения NDVI.
Безразмерный вегетационный индекс LAI линейно связан с биомассой зеленой растительности. Листовой индекс определяется как отношение площади листьев растений к площади земли, занимаемой растениями.
Для контуров тестовых полей вычислялся листовой индекс LAI с использованием кусочно-линейной зависимости, предложенной авторами алгоритма MOD15 (NASA) для обработки изображений MODIS. Динамика изменения листового индекса для Ишимского района Тюменской области представлена на рис. 1.
АПХ чИШНМСКОе" И ООО ’'МИЭОНОВСКОе". ИиииМСКИИ район
Рис. 1. Динамика изменения листового индекса яровой пшеницы (отношение
площади листьев растений к площади земли, занимаемой растением) по эталонным полям в период наблюдений с 14.05 по 18.07.2004г.
В связи с тем, что поля в Тюменской области имеют небольшой размер и сложноструктурные контуры, а сканер MODIS имеет низкое пространственное разрешение, для уточнения границ использовался сканер МСУ-Э с пространственным разрешением 32 м на пиксель.
Для каждого административного района Тюменской области с имеющейся метеостанцией было произведено моделирование развития зерновых культур (яровая пшеница, ячмень, овес, горох). На этом этапе произведен подбор параметров модели для каждого района (определялись усредненные сроки сева и почвенные характеристики модели) и общие для всех районов варьируемые характеристики (индекс урожайности и параметры функции dLAI).
Результаты моделирования развития яровой пшеницы по 10 метеостанциям в зависимости от сроков сева представлены на рис. 2.
Рис. 2. Прогноз урожайности яровой пшеницы по районам Тюменской области на 31 августа в зависимостиот сроков сева
Определение даты начала уборки проводилось по двум критериям: по прекращению наращивания биомассы и по падению листового индекса до нуля.
На рис. 3 представлена сравнительная динамика прогнозируемой и фактической урожайности по Тюменской области в целом. Как видно из графика погрешность расчетов не превышает 1 га.
22
21
4 20
§ їй
-X
V
я 1Й
>П
17
16
20-6 -»* -ь 20.2 20
1Э 1Э.1 цэ. в 1S.4 1Й.6
1S.6 1&.6
20СН Ю07 20CW 20.07 20СИ ЭО 07 20СИ 0Є 00 2004 19 00 20СИ 29 00 2ОСИ 00 О0 20СИ
прогноз ■ факт
Рис 3. Динамика прогнозируемой и фактической урожайности по Тюменской
области за 2004 г.
Поскольку в Тюменской области имеется недостаточная густота сети метеостанций, проводилась коррекция листового индекса с использованием зависимости LAI от NDVI по данным сканера MODIS. Так, для семеноводческого хозяйства СПК «Емуртлинское» Омутинского района Тюменской области при коррекции модели EPIC по спутниковой оценке листового индекса урожайность составила 46 ц/га (рис. 4). Что подтверждается данными статотчетности.
Результаты расчетов по модели МЮС в
Урожайность (ц/га) при уборке 01 09.2004-46 69 Урожайность (ц/га) при зрелости по LAI; уборка 16 08 2004=46 56 Урожайность (ц/га) при зрелости no В10М; уборка 13 08,2004-46 48 Индекс урожайности: Пересчитать <?
Графики развития Биомассы (BIOM), Листового индекса (LAI) и веса кормя (RW) растения
Рис. 4. Результаты расчётов по СПК «Емуртлинское» с коррекцией листового
индекса
Исходя из выше сказанного, интеграция наземных измерений биометрических параметров растительности, метеоданных, значений статистической урожайности и сканерных космических изображений в единую систему позволяет производить экспорт данных в модель биопродуктивности и последующий анализ результатов. Использование методологии моделирования биопродуктивности по модели EPIC совмесно с данными дистанционного зондирования повышает точность расчета урожайности основных сельскохозяйственных культур.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Евтюшкин А.В., Юшаков В.Н. Разработка элементов технологии мониторинга зерновых культур в Алтайском крае // Труды Международной конференции "Современные проблемы информационных технологий и космический мониторинг". Ханты-Мансийск. 2001. С. 154 - 158.
2. Евтюшкин А.В., Юшаков В.Н., Рычкова Н.В. Использование данных дистанционного зондирования для распознавания зерновых культур и коррекции моделей биопродуктивности // Известия Алтайского государственного университета. № 1(23). 2002. С. 63 - 67.
3. Евтюшкин А.В., Рычкова Н.В. Изучение динамики вегетационного индекса сельскохозяйственной зоны Западной Сибири по данным NOAA и подспутниковых полигонных измерений // Информационные технологии и космический мониторинг: Материалы 3-й научно-практической конференции «Электронная Росиия», Ханты-Мансийск, 2004 г. - Екатеринбург: «Издательство Баско», 2004. - 80.: ил. С. 54 - 61.
4. Хворова Л.А., Брыксин В.М. Применение математических методов и математического моделирования для оценки агроклиматического потенциала территорий // Известия Алтайского государственного университета. № 1(23). 2002. С. 41 - 45.
© В.М. Брыксин, А.В. Евтюшкин, 2005
