Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 1. С. 169-182
Принятие решений о дате заготовки кормов на основе данных дистанционного зондирования Земли и подстраиваемых математических моделей
И.М. Михайленко
1 , В.Н. Тимошин
1 , В.Д. Малыгин
1 1 Агрофизический научно-исследовательский институт, Санкт-Петербург, Россия
Одобрена к печати: 31.12.2017
DOI: 10.21046/2070-7401-2018-15-1-169-182
Представлены научно-методические основы системы принятия агрономической службой решений о дате уборки культуры на основе данных дистанционного зондирования и наземных измерений. Отработка задачи выполнена на примере многолетних трав, являющихся сырьём для приготовления кормов для молочного скота. Суть принимаемого решения заключается в нахождении компромисса между количеством и качеством убираемой биомассы. Оно соответствует минимуму критерия, представляющего собой взвешенную сумму квадратов отклонений от заданных значений урожайности биомассы и показателя её переваримости. Для прогнозирования критерия предложены динамические модели параметров состояния биомассы и показателей её качества. Текущие оценки параметров состояния биомассы осуществляются по данным дистанционного зондирования посредством алгоритма оптимальной фильтрации, основу которого составляют динамические модели параметров состояния биомассы, дополненные моделью оптического измерения. При этом текущие оценки параметров состояния биомассы являются начальными условиями для прогнозирования критерия принятия решения о дате уборки.
Ключевые слова: решения о дате проведения уборки, данные дистанционного зондирования Земли, математические модели, оптимальные оценки, показатели качества биомассы многолетних трав
Полный текстСписок литературы:
- Антонов В. Н., Сладких Л. А. Мониторинг состояния посевов и прогнозирование урожайности яровой пшеницы по данным ДЗЗ // Геоматика. 2009. № 4. С. 50–53.
- Барталев С. А., Лупян Е. А., Нейштадт И. А., Савин И. Ю. Классификация некоторых типов сельскохозяйственных посевов в южных регионах России по спутниковым данным MODIS // Исследование Земли из космоса. 2006. № 3. С. 68–75.
- Кочубей С. М., Шадчина Т. М., Кобец Н. И. Спектральные свойства растений как основа методов дистанционной диагностики. Киев: Наукова думка, 1990. 134 с.
- Михайленко И. М. Управление процессом силосования кормов из многолетних трав // Доклады РАСХН. 2006. № 3. С. 66–68.
- Михайленко И. М. Основные задачи оценивания состояния посевов и почвенной среды по данным космического зондирования // Экологические системы и приборы. 2011. № 8. С. 17–25.
- Михайленко И. М., Курашвили А. Е. Управление качеством кормов из многолетних трав // Международная конференция «Информационные технологии, информационные измерительные системы и приборы в исследовании сельскохозяйственных процессов»: сб. трудов. Новосибирск. 2003. С. 106–115.
- Михайленко И. М., Курашвили А. Е. Система мониторинга состояния многолетних трав в Ленинградской области // Сельскохозяйственные вести. 2004. № 3 (58). С. 24–27.
- Михайленко И. М., Курашвили А. Е. Прогнозирование состояния травостоя в системе управления качеством кормов в молочном животноводстве // Вестник РСХА. 2008. № 2. С. 10–13.
- Михайленко И. М., Тимошин В. Н., Данилова Т. Н. Математическое моделирование системы «почва – растение – атмосфера» на примере многолетних трав // Доклады Российской академии сельскохозяйственных наук. 2009. № 4. С. 61–64.
- Рачкулик В. И., Ситникова М. В. Отражательные свойства и состояние растительного покрова. Л.: Гидрометеоиздат, 1981. 287 с.
- Черепанов А. С. Вегетационные индексы: справочные материалы // Геоматика. 2011. № 2. С. 98–102.
- Шагиев Б. Р., Рогова Т. В., Савельев А. А. Использование вегетационных индексов как суррогатных факторов для разработки региональной экологической шкалы плодородия почв // Вестник Удмуртского университета: Биология. Науки о земле. 2011. Вып. 4. С. 21–30.
- Crippen R. E. Calculating the Vegetation Index Faster // Remote Sensing of Environment. 1990. V. 34. P. 71–73.
- Harmoney K. R., Moore K. J., George I. R. Determination of pasture biomass using four indirect methods // Agronomy J. 1997. V. 89. P. 665–672.
- Hill M. O., Carey P. D. Prediction of yield in the Rothamsted Park Grass Experiment by Ellenberg indicator values // J. Vegetation Science. 1997. V. 8. P. 579–586.
- Jordan C. F. Derivation of leaf area index from quality of light on the forest floor // Ecology. 1969. V. 50. P. 663–666.
- Jouven M., Carrère P., Baumont R. Model predicting dynamics of biomass, structure and digestibility of herbage in managed permanent pastures. 1. Model description // Grass and Forage Science. 2006. V. 61. Iss. 2. P. 112–124.
- Kriegler F. J., Malila W. A., Nalepka R. F., Richardson W. Preprocessing transformations and their effects on multispectral recognition // Proc. 6th Intern. Symp. Remote Sensing of Environment. University of Michigan, Ann Arbor, USA, 1969. P. 97–131.
- Lawrence R. Comparisons among vegetation indices and bandwise regression in a highly disturbed, heterogeneous landscape: Mount St. Helens, Washington // Remote Sensing of Environment. 1998. V. 64. P. 91–102.
- Lillesand T. M., Kiefer R. W. Remote sensing and image interpretation. 2nd ed. N. Y.: John Wiley and Sons, 1987. 721 p.
- Mikhailenko I. M. Assessment of crop and soil state using satellite remote sensing data // Intern. J. Information Technology and Operations Management. 2013. V. 1. No. 5. P. 41–52.
- Rouse J. W., Haas R. H., Schell J. A., Deering D. W. Monitoring vegetation systems in the great plains with ERTS // Proc. 3rd ERTS-1 Symp. NASA SP-351. Washington DC, 1973. V. 1. P. 309–317.
- Sanderson M. A., Rotz C. A., Fultz S. W., Rauburn E. B. Estimating forage mass with a commercial capacitance meter, rising plate meter, and pasture ruler // Agronomy J. 2001. V. 93. P. 1281–1286.