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. 2017. Т. 14. № 1. С. 113-124

Моделирование экологической ниши септориоза пшеницы с применением данных дистанционного зондирования Земли

Д.В. Малахов 1 , Н.Ю. Цычуева 1 , И.С. Витковская 1 
1 Национальный центр космических исследований и технологий, Алматы, Республика Казахстан
Одобрена к печати: 07.02.2017
DOI: 10.21046/2070-7401-2017-14-1-113-124
Работа посвящена моделированию благоприятных условий развития грибковых заболеваний пшеницы (септориоз) в основных зерносеющих регионах Республики Казахстан. Разработка модели включает два этапа: разработку базовой модели на основе климатических переменных и разработку прогностической модели на основе данных ДЗЗ. Базовая модель представляет собой совокупность оптимальных климатических параметров (среднемесячные температуры, осадки, эвапотранспирация и т.п.) для развития септориоза и является основой для разработки алгоритмов прогноза вспышек заболевания в основных зерносеющих регионах Казахстана. Показательно, что для жизненного цикла возбудителя заболевания критичным является холодный период года. Предварительный алгоритм прогноза вспышек септориоза подразумевает применение динамической переменной – индекса VCI, рассчитываемой для каждого конкретного сезона вместе с базовой моделью, которая описывает вероятность возникновения заболевания. Показано наличие корреляции между традиционно применяемым коэффициентом ГТК (гидротермический коэффициент увлажнения Селянинова) и индексом VCI. ГТК, имеющий важное значение для развития септориоза, в условиях северных областей Казахстана имеет достаточно приближенный характер вследствие того, что его расчет производится интерполяцией показателей небольшого количества метеостанций. Индекс VCI, вычисляемый на основе спутниковых данных, является объективным показателем развития растительного покрова, имеющим высокое, по сравнению с ГТК, пространственное разрешение. Пригодность и достоверность индекса VCI в сочетании с базовой моделью экологической ниши развития септориоза для прогноза вспышек заболевания являются предметом обсуждения в данной работе и заслуживают дальнейшего изучения.
Ключевые слова: септориоз, экологическая ниша, VCI, ГТК
Полный текст

Список литературы:

  1. Борзионова Т.И., Васецкая М.Н. Особенности развития септориоза в условиях лесостепных и предгорных районов Алтайского края // Сибирский вестник с.-х. науки. 1991. № 1. С. 43–46.
  2. Васецкая М.Н. Состояние и перспективы исследований септориоза пшеницы в СССР // Повышение продуктивности и устойчивости производства зерна озимой пшеницы в СССР. Сборник научных трудов. Мироновка. 1989. С. 115–129.
  3. Ишкова Т.И., Берестецкая Л.И., Гасич Е.Л., Власов Д.Ю. Учебно-методическое пособие по диагностике основных грибных болезней хлебных злаков. Санкт-Петербург: ВИЗР, 2001. 76 с.
  4. Койшибаев М. Болезни зерновых культур. Алматы: Бастау, 2002. 367 с.
  5. Койшибаев М., Исмаилова Э.Т. Особенности развития и вредоносность септориоза пшеницы в Казахстане // Вестник с.-х. науки Казахстана. 1991. № 11. С. 31–36.
  6. Санина А.А., Анциферова Л.В. Видовой состав грибов рода Septoria Sacc. на пшенице в Европейской части СССР // Микология и фитопатология. 1991. Т. 25. Вып. 3. С. 250–252.
  7. Селянинов Г.Т. Методика сельскохозяйственной характеристики климата // Мировой агроклиматический справочник. Л.: Гидрометеоиздат, 1937. С. 5–27.
  8. Уровни и тенденции изменения видового состава и внутрипопуляционной структуры, ареалы комплексов вредных и полезных организмов и прогноз опасных фитосанитарных ситуаций по зонам страны. Ред. Новожилов К.В., Захаренко В.А. Санкт-Петербург: РАСХН, 2000. 100 c.
  9. Addink E.A., de Jong S.M., Davis S.A., Dubyanskiy V., Leirs H. Using very high spatial resolution remote sensing to monitor and combat outbreaks of bubonic plague in Kazakhstan // Anais XIV Simpósio Brasileiro de Sensoriamento Remoto. Natal, Brasil, 25–30 April 2009. INPE. P. 7529–7536.
  10. Franklin J. Mapping species: Distributions. Spatial inference and prediction. Department of Geography and the Environment, University of Texas, Austin, Texas, USA. 2012. 320 p.
  11. Graham C.H., Hijmans R.J. A comparison of methods for mapping species ranges and species richness // Global Ecology and Biogeography. 2006. Vol. 15. P. 578–587.
  12. Hielkama J.U., Roffey J., Tucker C.J. Assessment of ecological conditions associated with the 1980/81 desert locust plague upsurge in West Africa using environmental satellite data // International Journal of Remote Sensing. 1986. Vol. 7. No. 11. P. 1609–1622.
  13. Hutchinson G.E. Concluding remarks // Cold Spring Harbor Symposia on Quantitative Biology. 1957. No. 22. P. 415–427. Reprinted in 1991: Classics in Theoretical Biology. Bull. of Math. Biol. Vol. 53. P. 193–213.
  14. Kitron U., Kazmierczak J.J. Spatial analysis of the distribution of Lyme disease in Wisconsin // Am. J. Epidemiol. 1997. Vol. 145. P. 558–66.
  15. Khafagi O., Hatab E.E., Omar K. Ecological Niche Modeling as a Tool for Conservation Planning: Suitable Habitat for Hypericum sinaicum in South Sinai, Egypt // Universal Journal of Environmental Research and Technology. 2012. Vol. 2. Issue 6. P. 515–524.
  16. Kogan F.N. Operational Space Technology for Global Vegetation Assessment // Bull. Amer. Meteor. Soc. 2001. Vol. 82. Issue 9. P. 1949–1964.
  17. Rahman A., Kogan F., Roytman L., Goldberg M., Guo W. Modelling and prediction of malaria vector distribution in Bangladesh from remote-sensing data // International Journal of Remote Sensing. 2011. Vol. 32. Issue 5. P. 1233–1251.
  18. Raxworthy C.J., Ingram C.M., Rabibisoa N., Pearson R.G. Applications of Ecological Niche Modeling for Species Delimitation: A Review and Empirical Evaluation Using Day Geckos (Phelsuma) from Madagascar // Syst. Biol. 2007. Vol. 56. Issue 6. P. 907–923.
  19. Thomson M.C., Connor S.J., Milligan P.J.M., Flasse S.P. The ecology of malaria-as seen from Earth-observation satellites // Ann. Trop. Med. Parasitol. 1996. Vol. 90. P. 243–64.
  20. Unganai L.S., Kogan F.N. Drought Monitoring and Corn Yield Estimation in Southern Africa from AVHRR Data // Remote Sens. Environ. 1998. Vol. 63. P. 219–232.
  21. Seiler R.A., Kogan F., Guo W. Monitoring weather impact and crop yield from NOAA AVHRR data in Argentina // Adv. Space Res. 2000. Vol. 26. No. 7. P. 1177–1185.