vestiagИзвестия Национальной академии наук Беларуси. Серия аграрных наукProceedings of the National Academy of Sciences of Belarus. Agrarian Series1817-72041817-7239The Republican Unitary Enterprise Publishing House "Belaruskaya Navuka"10.29235/1817-7204-2020-58-2-176-184vestiag-489Research ArticleЗЕМЛЯРОБСТВА І РАСЛІНАВОДСТВAAGRICULTURE AND PLANT CULTIVATIONОценка возможности использования данных дистанционного зондирования и цепей Маркова для прогноза развития растительного покроваAssessment of possibility for using remote sensing data and Markov chains for prediction of vegetation cover developmentМыслываТ. Н.MyslyvaT. N.

Мыслыва Тамара Николаевна – доктор с.-х. наук, зав. кафедрой геодезии и фотограмметрии

ул. Мичурина, 5, 213407, Горки, Могилевская обл.

Tamara N. Myslyva - D. Sc. (Agriculture)

5 Michurina Str., Gorki, Mogilev Region 213407

byrty41@yahoo.comБушуеваВ. И.BushuevaV. I.

Бушуева Вера Ивановна – доктор с.-х. наук, профессор кафедры селекции и генетики

ул. Мичурина, 5, 213407, Горки, Могилевская обл.

Vera I. Bushueva - D. Sc. (Agriculture)

5 Michurina Str., Gorki, Mogilev Region 213407

vibush@mail.ruВолынцеваВ. А.VolyntsevaV. A.

Волынцева Виктория Андреевна – аспирант кафедры селекции и генетики

ул. Мичурина, 5, 213407, Горки, Могилевская обл.

Viktoria A. Valyntsava - Graduate Student (Agriculture)

5 Michurina Str., Gorki, Mogilev Region 213407

shpurgalova_vikt@mail.ruБелорусская государственная сельскохозяйственная академияBelarusian State Agricultural Academy202012052020582176184Copyright © Мыслыва Т.Н., Бушуева В.И., Волынцева В.А., 20202020Мыслыва Т.Н., Бушуева В.И., Волынцева В.А.Myslyva T.N., Bushueva V.I., Volyntseva V.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestiagr.belnauka.by/jour/article/view/489

В условиях глобальных климатических изменений актуальной является разработка надежных моделей, позволяющих получать достоверные прогнозы развития растений на основе комбинирования данных дистанционного зондирования Земли и статистического моделирования. Моделирование посредством цепей Маркова – эффективный и одновременно простой способ прогнозирования случайных событий, к которым относится и прогнозирование продуктивности фитомассы сельскохозяйственных культур. Данные дистанционного зондирования Земли, полученные со спутника Sentinel-2, с пространственным разрешением 10 м были использованы для вычисления величины вегетационного индекса NDVI и получения разновременных растров (2017–2019 гг.) c различной степенью развития растительного покрова. Для построения матрицы вероятности перехода из одного состояния в другое для различных уровней развития растительности использовались функциональные возможности геоинформационных систем, посредством которых выполнялась классификация растровых изображений, их преобразование в векторные слои и установление областей пересечения. Матрица вероятностей в дальнейшем использовалась для прогнозирования развития растительности с использованием в качестве предиктора марковской модели. Разработанная прогнозная модель была проверена на выполнимость теста χ2. Полученные результаты показали, что как смоделированные значения, так и фактическая площадь распределения растительности с различной степенью развития, определенная по имеющемуся растровому изображению за 2019 г., хорошо соотносятся между собой. Результаты исследования могут быть полезны при разработке методики прогнозирования и при непосредственном прогнозировании урожайности, прежде всего плотнопокровных сельскохозяйственных культур, а также для оценки продуктивности пастбищ и создания эффективных пастбищеоборотов.

In conditions of global climate change, it is important to develop reliable models allowing to reliably predict plant development based on combination of the Earth remote sensing data and statistical modeling. Modeling by means of Markov chains is an efficient and at the same time simple way to predict random events, which include prediction of performance of phytomass of agricultural crops. The Earth remote sensing data obtained from the Sentinel-2 satellite with spatial resolution of 10 m were used to calculate the value of vegetation index NDVI and obtain different time rasters (2017-2019) with different degrees of vegetation cover development. To construct the matrix of probability of transition from one state to another for different levels of vegetation cover development, functionality of geoinformation systems (GIS) were used allowing to classify raster images, transform them into vector layers, and establish intersection areas. The probability matrix was later used to predict vegetation cover development using the Markov model as a predictor. The developed prediction model was tested for feasibility of the χ2 test. The results obtained showed that both the modeled values and the actual area of vegetation distribution with different degrees of development, determined from the available raster image of 2019, correlated well with each other. The research results can be useful both in developing forecasting methods and in directly predicting the crop yield of primarily dense-cover agricultural crops, as well as for estimating performance of pastures and creating efficient pasture rotations.

геоинформационные системыпрогнозированиемоделированиепродуктивностьфитомассадистанционное зондированиерастрвегетационный индексматрица вероятностицепи Марковаgeoinformation systemspredictionsimulationperformancephytomassremote sensingrastervegetation indexprobability matrixMarkov chainsReferencesМыслыва, Т. Н. Производственный потенциал сельскохозяйственных земель сельскохозяйственных организаций Могилевской области и его рациональное использование / Т. Н. Мыслыва, А. В. Колмыков, П. В. Другаков // Вестн. Белорус. гос. с.-х. акад. – 2016. – № 4. – С. 81–88.Myslyva T. N., Kolmykov A. V., Drugakov P. V. The production potential of agricultural lands of agricultural organizations of Mogilev region and its rational use. Vestnik Belorusskoi gosudarstvennoi sel’skokhozyaistvennoi akademii = Bulletin of the Belarussian State Agricultural Academy, 2016, no. 4, pp. 81-88 (in Ruissian).Ильина, З. М. Национальная продовольственная безопасность и безопасность человека / З. М. Ильина // Вес. Нац. акад. навук Беларусi. Сер. аграр. навук. – 2004. – № 4. – С. 15–20.Il’ina Z. M. National food safety and person safety. Vestsi Natsyyanal’nai akademii navuk Belarusi. Seryya agrarnykh navuk = Proceedings of the National Academy of Sciences of Belarus. Agrarian series, 2004, no. 4, pp. 15-20 (in Russian).Прогнозирование урожайности сельскохозяйственных культур: перспективы использования искусственных нейронных сетей / А. И. Шакирин [и др.] // Переработка и управление качеством сельскохозяйственной продукции : сб. ст. III Междунар. науч.-практ. конф., Минск, 23–24 марта 2017 г. / Белорус. гос. аграр. техн. ун-т ; под общ. ред. В. Я. Груданова. – Минск, 2017. – С. 248–250.Shakirin A. I., L’vova O. M., Bogdanovich A. I., Gorokhovik Ya.V. Yield forecasting of agricultural crops: prospects for use of artificial neural networks. Pererabotka i upravlenie kachestvom sel’skokhozyaistvennoi produktsii: sbornik statei III Mezhdunarodnoi nauchno-prakticheskoi konferentsii, Minsk, 23-24 marta 2017 g. [Processing and quality management of agricultural products: a collection of articles of the III international scientific and practical conference, Minsk, March 23-24, 2017]. Minsk, 2017, pp. 248-250 (in Russian).Прогнозирование урожайности сельскохозяйственных культур на основе спутниковых данных: возможности и перспективы / И. Ю. Савин [и др.] // Соврем. проблемы дистанц. зондирования Земли из космоса. – 2010. – Т. 7, № 3. – С. 275–285.Savin I. Yu., Bartalev S. A., Lupyan E. A., Tolpin V. A., Khvostikov S. A. Crop yield forecasting based on satellite data: opportunities and perspectives. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa = Current Problems in Remote Sensing og the Earth from Space, 2010, vol. 7, no. 3, pp. 275-285 (in Russian).Trenz, O. Agricultural data prediction by means of neural network / O. Trenz, J. Šťastný, V. Konečný // Agr. Economics. – 2011. – Vol. 57, N 7. – P. 356–361. https://doi.org/10.17221/108/2011-agriceconTrenz O., Šťastný J., Konečný V. Agricultural data prediction by means of neural network. Agricultural Economics, 2011, vol. 57, no. 7, pp. 356-361. https://doi.org/10.17221/108/2011-agriceconManjula, E. A model for prediction of crop yield / E. Manjula, S. Djodiltachoumy // Intern. J. of Computational Intelligence a. Informatics. – 2017. – Vol. 6, N 4. – P. 298–305.Manjula E., Djodiltachoumy S. A model for prediction of crop yield. International Journal of Computational Intelligence and Informatics, 2017, vol. 6, no. 4, pp. 298-305.Ghosh, S. Machine learning for soil fertility and plant nutrient management / S. Ghosh, S. Koley // Intern. J. on Recent a. Innovation Trends in Computing. – 2014. – Vol. 2, N 2. – P. 292–297.Ghosh S., Koley S. Machine learning for soil fertility and plant nutrient management. International Journal on Recent and Innovation Trends in Computing, 2014, vol. 2, no. 2, pp. 292-297.Crane-Droesch, A. Machine learning methods for crop yield prediction and climate change impact assessment in agriculture / A. Crane-Droesch // Environmental Research Letters. – 2018. – Vol. 13, N 11. – Art. 114003. https://doi.org/10.1088/1748-9326/aae159Crane-Droesch A. Machine learning methods for crop yield prediction and climate change impact assessment in agriculture. Environmental Research Letters, 2018, vol. 13, no. 11, art. 114003. https://doi.org/10.1088/1748-9326/aae159Khaki, S. Crop yield prediction using deep neural networks / S. Khaki, L. Wang // Frontiers in Plant Science. – 2019. – Vol. 10. – Art. 621. https://doi.org/10.3389/fpls.2019.00621Khaki S., Wang L. Crop yield prediction using deep neural networks. Frontiers in Plant Science, 2019, vol. 10, art. 621. https://doi.org/10.3389/fpls.2019.00621Machine learning in agriculture: a review / K. G. Liakos [et al.] // Sensors. – 2018. – Vol. 18, N 8. – Art. 2674. https://doi.org/10.3390/s18082674Liakos K. G., Busato P., Moshou D., Pearson S., Bochtis D. Machine learning in agriculture: a review. Sensors, 2018, vol. 18, no. 8, art. 2674. https://doi.org/10.3390/s18082674Petersen, L. K. Real-time prediction of crop yields from MODISr elative vegetation health: a continent-wide analysis of Africa / L. K. Petersen // Remote Sensing. – 2018. – Vol. 10, N 11. – Art. 1726. https://doi.org/10.3390/rs10111726Petersen L. K. Real-time prediction of crop yields from MODISr elative vegetation health: a continent-wide analysis of Africa. Remote Sensing, 2018, vol. 10, no. 11, art. 1726. https://doi.org/10.3390/rs10111726Crop yield assessment from remote sensing / P. C. Doraiswamy [et al.] // Photogrammetric Engineering a. Remote Sensing. – 2003. – Vol. 69, N 6. – P. 665–674. https://doi.org/10.14358/pers.69.6.665Doraiswamy P. C., Moulin S., Cook P. W., Stern A. Crop yield assessment from remote sensing. Photogrammetric Engineering and Remote Sensing, 2003, vol. 69, no. 6, pp. 665-674. https://doi.org/10.14358/pers.69.6.665Ennouri, K. Remote sensing: an advanced technique for crop condition assessment / K. Ennouri, A. Kallel // Math. Problems in Engineering. – 2019. – Vol. 2019. – P. 1–8. https://doi.org/10.1155/2019/9404565Ennouri K., Kallel A. Remote sensing: an advanced technique for crop condition assessment. Mathematical Problems in Engineering, 2019, vol. 2019, pp. 1-8. https://doi.org/10.1155/2019/9404565Crop monitoring using vegetation and thermal indices for yield estimates: case study of a rainfed cereal in semi-arid West Africa / L. Leroux [et al] // IEEE J. of Selected Topics in Appl. Earth Observations a. Remote Sensing. – 2016. – Vol. 9, N 1. – P. 347–362. https://doi.org/10.1109/jstars.2015.2501343Leroux L., Baron C., Zoungrana B., Traore S. B., Lo Seen D., Begue A. Crop monitoring using vegetation and thermal indices for yield estimates: case study of a rainfed cereal in semi-arid West Africa. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, vol. 9, no. 1, pp. 347-362. https://doi.org/10.1109/jstars.2015.2501343Remote sensing of agriculture – South/Southeast Asia research initiative special issue / K. P. Vadrevu [et al.] // Intern. J. of Remote Sensing. – 2019. – Vol. 40, N 21. – P. 8071–8075. https://doi.org/10.1080/01431161.2019.1617507Vadrevu K. P., Dadhwal V. K., Gutman G., Justice C. Remote sensing of agriculture – South/Southeast Asia research initiative special issue. International Journal of Remote Sensing, 2019, vol. 40, no. 21, pp. 8071-8075. https://doi.org/10.1080/01431161.2019.1617507Insua, J. R. Estimation of spatial and temporal variability of pasture growth and digestibility in grazing rotations coupling unmanned aerial vehicle (UAV) with crop simulation models / J. R. Insua, S. A. Utsumi, B. Basso // PLoS One. – 2019. – Vol. 14, N 3. – P. e0212773. https://doi.org/10.1371/journal.pone.0212773Insua J. R., Utsumi S. A., Basso B. Estimation of spatial and temporal variability of pasture growth and digestibility in grazing rotations coupling unmanned aerial vehicle (UAV) with crop simulation models. PLoS ONE, 2019, vol. 14, no. 3, p. e0212773. https://doi.org/10.1371/journal.pone.0212773Wachendorf, M. Remote sensing as a tool to assess botanical composition, structure, quantity and quality of temperate grasslands / M. Wachendorf, T. Fricke, T. Möckel // Grass Forage Science. – 2018. – Vol. 73, N 1. – P. 1–14. https://doi.org/10.1111/gfs.12312Wachendorf M., Fricke T., Möckel T. Remote sensing as a tool to assess botanical composition, structure, quantity and quality of temperate grasslands. Grass Forage Science, 2018, vol. 73, no. 1, pp. 1-14. https://doi.org/10.1111/gfs.12312A new SPOT4-vegetation derived land cover map of Northern Eurasia / S. A. Bartalev [et al.] // Intern. J. of Remote Sensing. – 2003. – Vol. 24, N 9. – Р. 1977–1982. https://doi.org/10.1080/0143116031000066297Bartalev S. A., Belward A. S., Erchov D. V., Isaev A. S. A new SPOT4-vegetation derived land cover map of Northern Eurasia. International Journal of Remote Sensing, 2003, vol. 24, no. 9, pp. 1977-1982. https://doi.org/10.1080/0143116031000066297Степанов, А. С. Прогнозирование урожайности сельскохозяйственных культур на основе данных дистанционного зондирования Земли (на примере сои) / А. С. Степанов // Вычисл. технологии. – 2019. – Т. 24, N 6. – С. 125–133. https://doi.org/10.25743/ICT.2019.24.6.015Stepanov A. S. Forecasting of crop yields based on Earth remote sensing data (using soybeans as an example). Vychislitel’nye tekhnologii = Computational Technologies, 2019, vol. 24, no. 6, pp. 125-133. https://doi.org/10.25743/ICT.2019.24.6.015Брыксин, В. М. Прогнозирование урожайности зерновых культур на основе данных дистанционного зондирования и моделирования биопродуктивности / В. М. Брыксин, А. В. Евтюшкин, Н. В. Рычкова // Изв. Алт. гос. ун-та. – 2010. – N 1–2 (65). – С. 89–93.Bryksin V. M., Evtyushkin A. V., Rychkova N. V. Forecasting of grain crops productivity on basis of the remote sounding data and bio-productivity modeling. Izvestiya Altaiskogo gosudarstvennogo universiteta = Izvestiya of Altai State University, 2010, no. 1-2 (65), pp. 89-93 (in Russian).A Markov chain approach to crop yield forecasting / J. H. Matis [et al.] // Agr. Systems. – 1985. – Vol. 18, N 3. – Р. 171–187. https://doi.org/10.1016/0308-521x(85)90030-7Matis J. H., Saito T., Grant W. E., Iwig W. C., Ritchie J. T. A Markov chain approach to crop yield forecasting. Agricultural Systems, 1985, vol. 18, no. 3, pp. 171-187. https://doi.org/10.1016/0308-521x(85)90030-7An integrated, probabilistic model for improved seasonal forecasting of agricultural crop yield under environmental uncertainty / N. K. Newlands [et al.] // Frontiers in Environmental Science. – 2014. – Vol. 2. – Art. 17. https://doi.org/10.3389/fenvs.2014.00017Newlands N. K., Zamar D. S., Kouadio L. A., Zhang Y., Chipanshi A., Potgieter A., Toure S., Hill H. S. J. An integrated, probabilistic model for improved seasonal forecasting of agricultural crop yield under environmental uncertainty. Frontiers in Environmental Science, 2014, vol. 2, art. 17. https://doi.org/10.3389/fenvs.2014.00017Li, B. Forecast of maize production in Henan province / B. Li, X. Zhu // Amer. J. of Plant Sciences. – 2018. – Vol. 9, N 11. – P. 2276–2286. https://doi.org/10.4236/ajps.2018.911164Li B., Zhu X. Forecast of maize production in Henan province. American Journal of Plant Sciences, 2018, vol. 9, no. 11, pp. 2276-2286. https://doi.org/10.4236/ajps.2018.911164Markov chain based crop forecast modeling software / R. M. Patel, R. C. Goyal, V. Ramasubramanian, S. Marwaha // J. of the Ind. Soc. of Agr. Statistics. – 2013. – Vol. 67, N 3. – P. 371–379.Patel R. M., Goyal R. C., Ramasubramanian V., Marwaha S. Markov chain based crop forecast modeling software. Journal of the Indian Society of Agricultural Statistics, 2013, Vol. 67, no. 3, pp. 371-379.Using Markov chains to analyze changes in wetland trends in arid Yinchuan Plain, China / R. Zhang [et al.] // Math. A. Computer Modelling. – 2011. – Vol. 54, N 3–4. – Р. 924–930. https://doi.org/10.1016/j.mcm.2010.11.017Zhang R., Tang C., Ma S., Yuan H., Gao L., Fan W. Using Markov chains to analyze changes in wetland trends in arid Yinchuan Plain, China. Mathematical and Computer Modelling, 2011, vol. 54, no. 3-4, pp. 924-930. https://doi.org/10.1016/j.mcm.2010.11.017Land use and cover change simulation and prediction in Hangzhou city based on CA-Markov model / Y. Tian [et al.] // Intern. Proc. of Chem., Biol. a. Environmental Engineering. – 2015. – Vol. 90. – Р. 108–113. https://doi.org/10.7763/IPCBEE.2015.V90.17Tian Y., Xia Y., Zhou L., Li D. Land use and cover change simulation and prediction in Hangzhou city based on CA-Markov model. International Proceedings of Chemical, Biological and Environmental Engineering, 2015, vol. 90, pp. 108-113. https://doi.org/10.7763/IPCBEE.2015.V90.17Черепанов, А. С. Вегетационные индексы / А. С. Черепанов // Геоматика. – 2011. – № 2. – С. 98–102.Cherepanov A. S. Vegetation indices. Geomatika = Geomatics, 2011, no. 2, pp. 98-102 (in Russian).Марков, А. А. Распространение закона больших чисел на величины, зависящие друг от друга / А. А. Марков // Изв. физ.-мат. о-ва при Казан. ун-те. Сер. 2. – 1906. – Т. 15. – С. 135–156.Markov A. A. Extending the law of large numbers for variables that are dependent of each other. Izvestiya fiziko-matematicheskogo obshchestva pri Kazanskom universitete. Seriya 2 [Bulletin of the Physics and Mathematics Society of Kazan University. Series 2], 1906, vol. 15, pp. 135-156 (in Russian).

The authors declare that there are no conflicts of interest present.