Архив
Поиск
Найти:
Подписка/отписка
на рассылку новостей
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. 2012. Т. 9. №1. С. 95-107

Регрессионные модели оценки урожайности сельскохозяйственных культур по данным MODIS

Н.Н. Куссуль 1, А.Н. Кравченко 1, С.В. Скакун 1, Т.И. Адаменко 2, А.Ю. Шелестов 3, А.В. Колотий 1, Ю.А. Грипич 1
1 Институт космических исследований НАНУ-НКАУ, 03187 Киев, просп. Глушкова, 40, корп. 4/1
2 Украинский гидрометеорологический центр, 01034 Киев, ул. Золотоворотская, 6-В
3 Национальный университет биоресурсов и природопользования Украины, 03187 Киев, ул. Героев Обороны, 15
В статье предложена информационная технология построения модели прогнозирования урожайности сельскохозяйственных культур по спутниковым данным на основе индукционного подхода. В качестве модели выбрана регрессионная модель первого порядка, а в качестве предиктора - 16-дневный композит индекса NDVI за фиксированный период, соответствующий максимальному значению NDVI, вычисленный по маске соответствующей культуры. Маска определяется автоматически методом кластеризации временных рядов NDVI (k-средних или карт Кохонена). Показано, что точность регрессионной модели прогнозирования на основе данных по области в целом несколько выше, чем точность прогноза, построенного путем усреднения прогнозных значений по отдельным районам. Важным преимуществом предлагаемого подхода является его применимость не только для автоматизированного прогнозирования урожайности озимой пшеницы, но и других видов сельскохозяйственных культур.
Ключевые слова: прогноз урожайности, регрессионная модель, маска культуры, информационная технология, MODIS, NDVI, кластеризация, карты Кохонена
Полный текст

Список литературы:

  1. 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.
  2. Chipanshi A.C., Ripley E.A., Lawford R.G. Large-scale simulation of wheat yields in a semi-arid environment using a crop-growth model // Agricultural Systems, 1999. 59. P. 57-66.
  3. Doraiswamy P.C., Cook P.W. Spring wheat yield assessment using NOAA AVHRR data // Canadian Journal of Remote Sensing, 1995. 21. P. 43−51.
  4. Doraiswamy P.C., Moulin S., Cook P.W., Stern A. Crop yield assessment from remote sensing // Photogrammetric Engineering and Remote Sensing, 2003. 69. P. 665-674.
  5. Haykin S. Neural Networks: A Comprehensive Foundation // Upper Saddle River, New Jersey: Prentice Hall, 1999.
  6. Kussul N., Shelestov A., Skakun S. Intelligent Computations for Flood Monitoring // International Book Series «Advanced Research in Artificial Intelligence» (ed. Markov K., Ivanova K., Mitov I.), 2008. N 2. P. 48-54.
  7. Maselli F., Rembold F. Analysis of GAC NDVI data for cropland identification and yield forecasting in Mediterranean African countries // Photogrammetric Engineering and Remote Sensing, 2001. 67. P. 593-602.
  8. Manjunath K.R., Potdar M.B., Purohit N.L. Large area operational wheat yield model development and validation based on spectral and meteorological data // International Journal of Remote Sensing. 2002. 23. P. 3023-3038.
  9. Moriondo M., Maselli F., Bindi M. A simple model of regional wheat yield based on NDVI data // European Journal of Agronomy, 2007. 26. P. 266-274.
  10. Pinter P.J., Jackson R.D., Idso S.B., Reginato R.J. Multidate spectral reflectances as predictors of yield in water stressed wheat and barley // International Journal of Remote Sensing, 1981. 2. P. 43-48.
  11. Prasad A.K., Chai L., Singh R.P., Kafatos M. Crop yield estimation model for Iowa using remote sensing and surface parameters // International Journal of Applied Earth Observation and Geoinformation, 2006. 8. P. 26-33.
  12. Tucker C.J., Holben B.N., Elgin J.H., McMurtrey J.E. Relationships of spectral data to grain yield variation // Photogrammetric Engineering and Remote Sensing, 1980. 46. P.657-666.
  13. Wall L., Larocque D., Leger P.M. The early explanatory power of NDVI in crop yield modelling // International Journal of Remote Sensing, 2007. 29. P. 2211-2225.
  14. Куссуль Н.Н., Соколов Б.В., Зелык Я.И., Зеленцов В.А., Скакун С.В., Шелестов А.Ю. Оценка рисков стихийных бедствий на основе разнородной геопространственной информации // Проблемы управления и информатики, 2010. N 6. С. 97-110.
  15. 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» (ed. Markov K., Ivanova K., Mitov I.), 2008. N 3. P. 103-109.
  16. Савин И.Ю., Барталев С.А., Лупян Е.А., Толпин В.А., Хвостиков С.А. Прогнозирование урожайности сельскохозяйственных культур на основе спутниковых данных: возможности и перспективы // Современные проблемы дистанционного зондирования Земли из космоса, 2010. Т.7. № 3. С. 275-285.
  17. Шелестов А.Ю., Кравченко А.Н., Волошин С.В., и др. Web-портал системы агромониторинга // Наука и инновации, 2011. № 3.