Архив
Том 21, 2024
Том 20, 2023
Том 19, 2022
Том 18, 2021
Том 17, 2020
Том 16, 2019 г.
Том 15, 2018 г.
Том 14, 2017 г.
Том 13, 2016 г.
Том 12, 2015 г.
Том 11, 2014 г.
Том 10, 2013 г.
Том 9, 2012 г.
Том 8, 2011 г.
Том 7, 2010 г.
Выпуск 6, 2009 г.
Выпуск 5, 2008 г.
Выпуск 4, 2007 г.
Выпуск 3, 2006 г.
Выпуск 2, 2005 г.
Выпуск 1, 2004 г.
Поиск
Найти:
Подписка/отписка
на рассылку новостей
Ваш e-mail:
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2013. Т. 10. №1. С. 215-227

Сравнительный анализ результатов регрессионных и биофизических моделей в задаче прогнозирования урожайности озимой пшеницы

Ф. Коган 1, Н.Н. Куссуль 2, Т.И. Адаменко 3, С.В. Скакун 2, А.Н. Кравченко 2, А.А. Кривобок 4, А.Ю. Шелестов 5, А.В. Колотий 2, О.М. Куссуль 6, А.Н. Лавренюк6
1 Национальное управление океанических и атмосферных исследований (NOAA), 5200 Auth Rd, Camp Springs MD 20746, USA
2 Институт космических исследований НАНУ-НКА, 03187 Киев, просп. Глушкова, 40, корп. 4/1
3 Украинский гидрометеорологический центр, 01034 Киев, ул. Золотоворотская, 6-В
4 Украинский научно-исследовательский гидрометеорологический институт, 03650, Киев, просп. Hауки, 37
5 Национальный университет биоресурсов и природопользования Украины, 03187 Киев, ул. Героев Обороны, 15
6 Национальный технический университет Украины «КПИ», 03056, Киев, пр. Победы, 37
В данной статье ставится задача оценить относительную эффективность использования спутниковых данных для прогнозирования урожайности озимой пшеницы в Украине на уровне отдельных областей, а также сравнить эффективность прогнозирования на основе эмпирических и биофизических моделей. В качестве эмпирических моделей урожайности рассматриваются линейные регрессионные модели зависимости урожайности от 16-дневного композита индекса NDVI на основе данных MODIS с разрешением 250 м, а также нелинейная регрессионная модель, в качестве предикторов которой используются метеорологические параметры. Эмпирический подход к прогнозированию сравнивается с биофизическим подходом, реализованным в адаптированной для Украины системе CGMS (Crop Growth Monitoring System), в основе которой лежит модель роста растительности WOFOST. Показано, что наиболее высокую точность прогноза урожайности озимой пшеницы обеспечивает подход на основе биофизических моделей роста. Недостатком этого подхода является сложность настройки модели (большой объем входных данных) и недостаточная заблаговременность. Регрессионные модели (линейная модель на основе спутниковых данных и нелинейная на основе метеорологических) показывают примерно одинаковую точность, которая с учетом достаточной заблаговременности позволяет использовать эти прогнозы на практике.
Ключевые слова: прогноз урожайности, регрессионная модель, биофизическая модель, маска культуры, информационная технология, MODIS, NDVI, кластеризация, CGMS, WOFOST, forecast yield, the regression model, biophysical model, the mask of culture, information technology, MODIS, NDVI, clustering, CGMS, WOFOST
Полный текст

Список литературы:

  1. Адаменко Т.И., Кривобок А.А., Кривошеїн А.О. Особенности адаптации системы CGMS для оперативной оценки состояния и прогноза урожайности озимой пшеницы в Украине // Труды УкрНИГМИ. 2011. № 261. С. 118–129.
  2. Кривобок О.А., Кривошеїн О.О., Круківська А.В. Адаптація характеристик ґрунтового покриву України для використання в системі моніторингу умов росту і розвитку сільськогосподарських культур (CGMS) на основі картографічного методу // Національне картографування: стан, проблеми та перспективи розвитку: зб. наук. пр. 30.09.10. С. 122–126.
  3. Куссуль Н.Н., Скакун С.В., Лавренюк А.М., Колотий А.В. Индукционный подход к прогнозированию урожайности озимой пшеницы по спутниковым данным в Украине // Пятый Белорусский космический конгресс (2 5–27 октября 2011 года, Минск): Материалы конгресса. Т. 2. С. 116–120.
  4. 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» (eds. Markov K., Ivanova K., Mitov I.). 2008. № 3. P. 103–109.
  5. Шелестов А.Ю., Куссуль Н.Н., Скакун С.В. Grid-технологии в системах мониторинга на основе спутниковых данных // Проблемы управления и информатики. 2006. № 1–2. С. 259–270.
  6. 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.
  7. Bishop C. Pattern Recognition and Machine Learning. Springer, New York, USA. 2006. 740 p.
  8. Boogaard H.L., Diepen C.A., Rötter R.P., Cabrera J.M.C.A., Laar H.H. van. User’s guide for the WOFOST 7.1 crop growth simulation model and WOFOST control center 1.5. Technical document 52, Winand Staring Centre, Wageningen, the Netherlands, 1998. 144 p.
  9. Curnela Y., de Wit A.J.W., Duveiller G., Defourny P. Potential performances of remotely sensed LAI assimilation in WOFOST model based on an OSS Experiment // Agricultural and Forest Meteorology. 2011. Vol. 151. No. 12. P. 1843–1855.
  10. de Wit A.J.W., van Diepen C.A. Crop growth modelling and crop yield forecasting using satellite-derived meteorological inputs // Internationa l Journal of Applied Earth Observation and Geoinformation. 2008. Vol. 10. No. 4. P. 414–425.
  11. Fang H., Liang S., Hoogenboom G. Integration of MODIS LAI and vegetation index products with the CSM-CERES-Maize model for corn yield estimation // International Journal of Remote Sensing. 2011. Vol. 32. No. 4. P. 1039–1065.
  12. Hluchy L., Kussul N., Shelestov A., Skakun S., Kravchenko O., Gripich Y., Kopp P., Lupian E. The Data Fusion Grid Infrastructure: Project Objectives and Achievements // Computing and Informatics. 2010. Vol. 29. No. 2. P. 319–334.
  13. Justice C., Becker-Reshef I., Parihar J.S. Global agriculture monitoring // Global Agricultural Monitoring Community of Practice (GEO Task: AG-07-03a). (Eds) Luxembourg: Publications Office of the European Union, 2010. 32 p.
  14. Jansen M.J.W. Validation of CGMS. In: J.F. Dallemand, P. Vossen (eds). Workshop for Central and Eastern Europe on agrometeorological models: theory and applications in the MARS project. Ispra, Italy. EUR 16008 EN, Office for Off. Publ. of the EU, Luxembourg. 21–25 November 199 4. P. 159–170.
  15. Kogan F., Salazar L., Roytman L. Forecasting crop production using satellitebased vegetation health indices in Kansas, USA // International Journal of Remote Sensing. 2012. Vol. 33. No. 9. P. 2798–2814.
  16. Kogan F., Menzhulin G., Shamshurina N., Pavlovsky A. New regression models for prediction of grain yield anomalies from satellite-based vegetation healt indices // NATO Science for Peace and Security Series – C: Environmental Security Use of Satellite and In-situ Data to Improve Sustainability. Springer, 2011. P. 105–112.
  17. Kussul N., Shelestov A., Skakun S. Technologies for Satellite Data Processing and Management Within International Disaster Monitoring Projects / / In Fiore, S.; Aloisio, G. (Eds.). Grid and Cloud Database Management Grid, Springer, 2011. P. 279–306.
  18. Kussul N., Shelestov A., Skakun S. Flood Monitoring on the Basis of SAR Data // In F. Kogan, A. Powell, O. Fedorov (Eds.). Use of Satellite and In-Situ Data to Improve Sustainability. NATO Science for Peace and Security Series C: Environmental Security, Springer, 2011. P. 19–29.
  19. Kussul N., Shelestov A., Skakun S. Grid and sensor web technologies for environmental monitoring // Earth Science Informatics. 2009. Vol. 2. Nos. 1–2. P. 37–51.
  20. Mkhabela M.S., Bullock P., Raj S., Wang S., Yang Y. Crop yield forecasting on the Canadian Prairies using MODIS NDVI data // Agricultural and Forest Meteorology. 2011. Vol. 151. No. 3. P. 385–393.
  21. Ritchie J.T., Otter S. Description and performance of CERES-Wheat: A user oriented wheat yield model. ARS wheat yield project. Springfield, Virginia: USDA ARS, 1985. P. 159–175.
  22. Street J.O., Carroll R.J., Ruppert D. A Note on Computing Robust Regression Estimates via Iteratively Reweighted Least Squares // The American Statistician. 1988. Vol. 42. No. 2. P. 152–154.
  23. Rasmussen C.E., Williams C.K.I. Gaussian Processes for Machine Learning. The MIT Press, 2006. ISBN: 0-262-18253-X. 266 p.
  24. Schapendonk A.H.C.M., Stol W., Kraalingen D.W.G. van, Bouman B.A.M., 1998. LINGRA, a sink/source model to simulate grassland productivity in Europe // European J. of Agronomy. 1998. Vol. 9. P. 87–100.
  25. Vossen P. Forecasting national crop yields of E.C. countries: the approach developed by the agriculture project. In: F. Toselli, J. Meyer-Roux (eds). // Proc. Conference on the application of remote sensing to agricultural statistics, Belgirate, Italy. EUR 14262 EN, Office for Officia l Publications of the EU, Luxembourg, 26–27 November 1991. P. 159–176.
  26. Williams J.R., Jones C.A., Dyke P.T. A modeling approach to determining the relationship between erosion and soil productivity // Transactions of the ASAE. 1984. Vol. 27. P. 129–144.