Современные проблемы дистанционного зондирования Земли из космоса. 2026. Т. 23. № 4. С. 137-151
Оценка возможности прогнозирования урожайности яровых зерновых культур для юга Западной Сибири по данным спутниковых измерений солнечно-индуцированной флуоресценции
А.Е. Карамзина 1 , Е.Ю. Мордвин 1 , А.А. Лагутин 1 1 Алтайский государственный университет, Барнаул, Россия
Одобрена к печати: 30.06.2026
DOI: 10.21046/2070-7401-2026-23-4-137-151
Обсуждается модель, связывающая урожайность яровых зерновых и зернобобовых культур юга Западной Сибири с потоками флуоресцентного излучения, которые испускаются в диапазоне 600–800 нм и представляют собой побочный продукт световой фазы фотосинтеза. Основным источником информации о потоках флуоресцентного излучения служит спектрометр TROPOMI (англ. TROPOspheric Monitoring Instrument), установленный на спутнике Sentinel-5 Precursor. Разработанная методология объединяет данные о флуоресцентном излучении с информацией о расположении посевных площадей, полученной по спутниковым наблюдениям MODIS (англ. Moderate Resolution Imaging Spectroradiometer), и официальными данными Росстата по урожайности. Ключевая гипотеза основывается на линейной зависимости между средними по региону уровнями флуоресцентного излучения и валовой первичной продукцией, определяющими процесс формирования биомассы зерновых и зернобобовых культур. Проведённый анализ данных TROPOMI за 2020–2024 гг. выявил устойчивую корреляционную связь между максимумами значений флуоресценции и показателями урожайности. Установлено, что включение в модель функции потерь, которая опирается на гидротермический коэффициент Селянинова P для августа – сентября, позволило лучшим образом согласовать максимум флуоресцентного излучения и урожайность, полученную по данным Росстата. Оценка P выполнялась с использованием результатов субсезонной климатической модели SEAS5 (англ. Seasonal Forecasting System 5). Для прогноза урожайности в Новосибирской, Омской, Кемеровской областях и Алтайском крае коэффициент детерминации R2 для случая без учёта потерь равен 0,17; 0,79; 0,53; 0,90, а для модели с потерями — 0,89; 0,88; 0,86; 0,97 соответственно. Результаты исследования подтверждают перспективность использования информации о флуоресцентном излучении для мониторинга и прогнозирования урожайности яровых сельскохозяйственных культур в зонах рискованного земледелия.
Ключевые слова: SIF, GPP, флуоресценция хлорофилла, фотосинтез, урожайность, Sentinel-5 Precursor, TROPOMI, ДЗЗ, SEAS5, юг Западной Сибири
Полный текстСписок литературы:
- Амирова Т. Н. Влияние на урожайность потерь влаги при ирригационных работах по методу кругового центра орошения // Мелиорация и водное хоз-во. 2023. № 2. С. 4–7. DOI: 10.32962/0235-2524-2023-2-4-7.
- Ерошенко Ф. В., Барталев С. А., Сторчак И. Г., Плотников Д. Е. Возможности дистанционной оценки урожайности озимой пшеницы на основе вегетационного индекса фотосинтетического потенциала // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 4. С. 99–112. DOI: 10.21046/2070-7401-2016-13-23-99-112.
- Кельчевская Л. С. Методы обработки наблюдений в агроклиматологии: метод. пособие. Л.: Гидрометеорол. изд-во, 1971. 215 с.
- Лупян Е. А., Барталев С. А., Крашенинникова Ю. С. и др. Аномальное развитие яровых культур в регионах европейской части России в 2017 году // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 3. С. 324–329. DOI: 10.21046/2070-7401-2017-14-3-324-329.
- Симоненко Е. И. Планирование урожайности озимой пшеницы с учетом влияния природно-климатических факторов // Актуальная наука. 2017. № 2. С. 21–25.
- Спиридонов Ю. Я., Будынков Н. И., Азизов З. М. и др. Влияние комплексных мер борьбы с сорняками на урожайность и качество озимой пшеницы // Вавиловские чтения — 2019: Международ. научно-практич. конф., посвященная 132-й годовщине со дня рождения академика Н. И. Вавилова. Саратов: ООО «Амирит», 2019. С. 228–230.
- Федулов Ю. П., Подушкин Ю. В. Фотосинтез и дыхание растений: учеб. пособие для бакалавров, изучающих дисциплину «Физиология и биохимия растений». Краснодар: Кубанский гос. аграр. ун-т им. И. Т. Трубилина, 2019. 101 с.
- Штирбет А., Ризниченко Г. Ю., Рубин А. Б., Говинджи З. Моделирование кинетики флуоресценции хлорофилла а: связь с фотосинтезом (обзор) // Биохимия. 2014. Т. 79. № 4. С. 379–412.
- Ayudhya T. I., Posey F. T., Tyus J. C., Dingra N. N. Using a microscale approach to rapidly separate and characterize three photosynthetic pigment species from fern // J. Chemical Education. 2015. V. 92. Iss. 5. P. 920–923. DOI: 10.1021/ed500344c.
- Berger M., Moreno J., Johannessen J. A. et al. ESA’s sentinel missions in support of Earth system science // Remote Sensing of Environment. 2012. V. 120. P. 84–90. DOI: 10.1016/j.rse.2011.07.023.
- Cannon A. J., Sobie S. R., Murdock T. Q. Bias correction of GCM precipitation by quantile mapping: How well do methods preserve changes in quantiles and extremes? // J. Climate. 2015. V. 28. P. 6938–6959. DOI: 10.1175/JCLI-D-14-00754.1.
- Elber G., Lee I.-K., Kim M.-S. Comparing offset curve approximation methods // IEEE Computer Graphics and Applications. 1997. V. 17. No. 3. P. 62–71. DOI: 10.1109/38.586019.
- Fang J., Li X., Xiao J. et al. Vegetation photosynthetic phenology dataset in northern terrestrial ecosystems // Scientific Data. 2023. V. 10. Article 300. DOI: 10.1038/s41597-023-02224-w.
- Friedl M., Sulla-Menashe D. MODIS/Terra+Aqua Land Cover Type Yearly L3 Global 500m SIN Grid V061. NASA Land Processes Distributed Active Archive Center, 2022. DOI: 10.5067/MODIS/MCD12Q1.061.
- Gao S., Zhong R., Yan K. et al. Evaluating the saturation effect of vegetation indices in forests using 3D radiative transfer simulations and satellite observations // Remote Sensing of Environment. 2023. V. 295. Article 113665. DOI: 10.1016/j.rse.2023.113665.
- Guanter L., Bacour C., Schneider A. et al. The TROPOSIF global sun-induced fluorescence dataset from the Sentinel-5P TROPOMI mission // Earth System Science Data. 2021. V. 13. Iss. 11. P. 5423–5440. DOI: 10.5194/essd-13-5423-2021.
- Johnson S. J., Stockdale T. N., Ferranti L. et al. SEAS5: the new ECMWF seasonal forecast system // Geoscientific Model Development. 2019. V. 12. Iss. 3. P. 1087–1117. DOI: 10.5194/gmd-12-1087-2019.
- Li X., Xiao J. TROPOMI observations allow for robust exploration of the relationship between solar-induced chlorophyll fluorescence and terrestrial gross primary production // Remote Sensing of Environment. 2022. V. 268. Article 112748. DOI: 10.1016/j.rse.2021.112748.
- Liu Z., Zhao F., Liu X. et al. Direct estimation of photosynthetic CO2 assimilation from solar-induced chlorophyll fluorescence (SIF) // Remote Sensing of Environment. 2022. V. 271. Article 112893. DOI: 10.1016/j.rse.2022.112893.
- Lungu O. N., Chabala L. M., Shepande C. Satellite-based crop monitoring and yield estimation — a review // J. Agricultural Science. 2020. V. 13. Iss. 1. P. 180–194. DOI: 10.5539/jas.v13n1p180.
- Magney T. S., Bowlingc D. R., Logan B. A. et al. Mechanistic evidence for tracking the seasonality of photosynthesis with solar-induced fluorescence // PNAS. 2019. V. 116. No. 24. P. 11640–11645. DOI: 10.1073/pnas.1900278116.
- Marshall M., Tu K., Brown J. Optimizing a remote sensing production efficiency model for macro-scale GPP and yield estimation in agroecosystems // Remote Sensing of Environment. 2018. V. 217. P. 258–271. DOI: 10.1016/j.rse.2018.08.001.
- Mordvin E. Yu., Pochemin N. M., Volkov N. V. et al. Changes in moisture supply in the steppe zone of the southern part of Western Siberia for the period 1980–2050 according to scenario forecasts based on global CMIP6 models // Arid Ecosystems. 2024. V. 14, P. 259–268. DOI: 10.1134/S2079096124700203.
- Muñoz-Sabater J., Dutra E., Agustí-Panareda A. et al. ERA5-Land: a state-of-the-art global reanalysis dataset for land applications // Earth System Science Data. 2021. V. 13. Iss. 9. P. 4349–4383. DOI: 10.5194/essd-13-4349-2021.
- Peng B., Guan K., Pan M., Li Y. Benefits of seasonal climate prediction and satellite data for forecasting U. S. maize yield // Geophysical Research Letters. 2018. V. 45. P. 9662–9671. DOI: 10.1029/2018GL079291.
- Proctor J., Zeppetello L. V., Chan D., Huybers P. Climate change increases the interannual variance of summer crop yields globally through changes in temperature and water supply // Science Advances. 2025. V. 11. Iss. 36. Article eady3575. DOI: 10.1126/sciadv.ady3575.
- Reeves M. C., Zhao M., Running S. W. Usefulness and limits of MODIS GPP for estimating wheat yield // Intern. J. Remote Sensing. 2005. V. 26. P. 1403–1421. DOI: 10.1080/01431160512331326567.
- Rouse J. W., Jr., Haas R. H., Schell J. A., Deering D. W. Monitoring vegetation systems in the great plains with ERTS. // Proc. 3rd Earth Resource Technology Satellite-1 (ERTS-1) Symp. NASA SP-351. 1974. V. 1. P. 309–317.
- Tucker C. J. Red and photographic infrared linear combinations for monitoring vegetation // Remote Sensing of Environment. 1979. V. 8. P. 127–150. DOI: 10.1016/0034-4257(79)90013-0.
- Tucker C. J., Fung I. Y., Keeling C. D., Gammon R. H. Relationship between atmospheric CO2 variations and a satellite-derived vegetation index // Nature. 1986. V. 319. P. 195–199. DOI: 10.1038/319195a0.
- Veefkind J. P., Aben I., McMullan K. et al. TROPOMI on the ESA Sentinel-5 Precursor: a GMES mission for global observations of the atmospheric composition for climate, air quality and ozone layer applications // Remote Sensing of Environment. 2012. V. 120. P. 70–83. DOI: 10.1016/j.rse.2011.09.027.
- Xiao J., Fisher J. B., Hashimoto H. et al. Emerging satellite observations for diurnal cycling of ecosystem processes // Nature Plants. 2021. No. 7. P. 877–887. DOI: 10.1038/s41477-021-00952-8.
- Zhou Z., Ding Y., Liu S. et al. Estimating the applicability of NDVI and SIF to gross primary productivity and grain-yield monitoring in China // Remote Sensing. 2022. No. 14. Article 3237. DOI: 10.3390/rs14133237.