Preview

Известия Национальной академии наук Беларуси. Серия аграрных наук

Расширенный поиск

Оценка возможности использования данных дистанционного зондирования и цепей Маркова для прогноза развития растительного покрова

https://doi.org/10.29235/1817-7204-2020-58-2-176-184

Аннотация

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.

Об авторах

Т. Н. Мыслыва
Белорусская государственная сельскохозяйственная академия
Беларусь

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

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



В. И. Бушуева
Белорусская государственная сельскохозяйственная академия
Беларусь

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

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



В. А. Волынцева
Белорусская государственная сельскохозяйственная академия
Беларусь

Волынцева Виктория Андреевна – аспирант кафедры селекции и генетики

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



Список литературы

1. Мыслыва, 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.

2. 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.

3. 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.

4. 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.

5. 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-agricecon

6. Manjula, 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.

7. 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.

8. 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/aae159

9. Khaki, 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.2019.00621

10. Machine learning in agriculture: a review / K. G. Liakos [et al.] // Sensors. – 2018. – Vol. 18, N 8. – Art. 2674. https://doi.org/10.3390/s18082674

11. Petersen, 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/rs10111726

12. Crop 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.69.6.665

13. Ennouri, 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/10.1155/2019/9404565

14. Crop 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.2015.2501343

15. Remote 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/10.1080/01431161.2019.1617507

16. Insua, 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.0212773

17. Wachendorf, 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.12312

18. A 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/10.1080/0143116031000066297

19. Степанов, 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.2019.24.6.015

20. Брыксин, 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.

21. 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)90030-7

22. An 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.2014.00017

23. Li, 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.2018.911164

24. Markov 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.

25. 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.2010.11.017

26. Land 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.V90.17

27. Черепанов, А. С. Вегетационные индексы / А. С. Черепанов // Геоматика. – 2011. – № 2. – С. 98–102.

28. 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.


Рецензия

Просмотров: 551


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1817-7204 (Print)
ISSN 1817-7239 (Online)