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
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.