БИОФИЗИКА, 2021, том 66, № 6, с. 1164-1170

БИОФИЗИКА СЛОЖНЫХ СИСТЕМ

УДК 528.88

РАННЕЕ ПРОГНОЗИРОВАНИЕ УРОЖАЙНОСТИ ЗЕРНОВЫХ КУЛЬТУР

НА ОСНОВЕ СПУТНИКОВЫХ ДАННЫХ DOVE (PlanetScope)

В.К. Ивченко**, И.Ю. Ботвич*

*Институт биофизики СО РАН, 660036, Красноярск, Академгородок, 50/50

E-mail: irina.pugacheva@mail.ru

**Красноярский государственный аграрный университет, 660049, Красноярск, просп. Мира, 90

E-mail: v.f.ivchenko@mail.ru

Поступила в редакцию 29.09.2020 г.

После доработки 29.09.2020 г.

Принята к публикации 07.07.2021 г.

Представлены результаты раннего прогнозирования урожайности яровой пшеницы на основе

данных Dove (PlanetScope) компании Planet Labs с пространственным разрешением 3 м. Выполнено

прогнозирование урожайности яровой пшеницы в начале июля в фазу колошения - начало

цветения на основании линейной регрессионной модели, в качестве параметров использованы

значения интеграла под кривой NDVI в разные периоды времени. Установлен вид множественной

линейной модели для прогноза урожайности яровой пшеницы при восьми переменных

(коэффициент детерминации - 0.86; среднеквадратичная ошибка прогноза - 3.77). Построена

карта урожайности яровой пшеницы по спутниковым данным PlanetScope с пространственным

разрешением 3 м. Полученная карта позволила выявить неоднородность уровня урожайности в

пределах опытного поля. Проведенные исследования показали хорошую связь между интегралом

NDVI и фактической урожайностью, полученной в конце вегетационного периода. Следовательно,

промежуточные результаты внутрисезонных измерений могут быть использованы для коррекции

дозы внесения удобрений.

Ключевые слова: точное земледелие, урожайность, вегетационный период, яровая пшеница, PlanetScope.

DOI: 10.31857/S0006302921060119

Технология дистанционного зондирования

- национальных сельскохозяйственных ми-

Земли широко используется во многих областях

нистерств;

экономики из-за быстрого отображения широко-

- для обеспечения продовольственной без-

го спектра различных показателей. Сельское хо-

опасности, особенно в развивающихся странах;

зяйство является одной из перспективных обла-

- частных компаний, таких как страховщики

стей внедрения технологий дистанционного зон-

урожая или трейдеры [1-3].

дирования. С его помощью можно своевременно

получать информацию об условиях роста и разви-

Спутниковые данные с различным простран-

тия сельскохозяйственных культур, вносить не-

ственным, временным и спектральным разреше-

обходимые коррективы при использовании удоб-

нием используются для прогнозирования уро-

рений, что дает возможность получать заплани-

жайности в широком диапазоне географических

рованные результаты. Это позволяет обеспечить

условий и масштабов (от небольших фермерских

устойчивость и стабильность сельскохозяйствен-

хозяйств до глобального уровня) [4-7]. Однако

ного производства.

применение спутниковых данных для прогнози-

Важно использование методов дистанционно-

рования урожайности затрудняется низким про-

го зондирования Земли для оптимизации произ-

странственным разрешением и, как правило, не-

водства продукции растениеводства. Прогнози-

оптимальной временной выборкой [8, 9].

рование урожайности сельскохозяйственных

Для осуществления прогноза урожайности в

культур представляет прямой интерес для:

Российской Федерации в основном используют-

- отдельных фермеров для оптимизации каче-

ся не всегда эффективные традиционные приемы

ства и количества продукции;

оценки агроклиматических ресурсов райониро-

1164

РАННЕЕ ПРОГНОЗИРОВАНИЕ УРОЖАЙНОСТИ ЗЕРНОВЫХ КУЛЬТУР

1165

вания территорий с помощью комплексных агро-

ки продуктивности растений по данным дистан-

климатических показателей. Для выхода из этой

ционного зондирования. Поэтому необходимы

ситуации В.М. Брыксиным и др. была предложе-

исследования, раскрывающие специфику взаи-

на модифицированная модель биопродуктивно-

мосвязи урожайности сельскохозяйственных

сти EPIC [10]. Однако данная система очень

культур с данными дистанционного зондирова-

сложна в применении, так как в вычислениях

ния Земли различного уровня.

используется большое количество входных пара-

Цель данного исследования - разработка ме-

метров. Стоит отметить, что уже сегодня возмож-

тода точного земледелия для раннего прогнози-

но использование систем для мониторинга

рования урожайности зерновых культур на осно-

посевных площадей агропромышленного ком-

ве данных дистанционного зондирования (спут-

плекса, которые позволяют обеспечить объектив-

никовых) и геоботанических исследований.

ную оценку состояния посевов как на уровне ре-

гионов, так и на уровне отдельных хозяйств [11,

МАТЕРИАЛЫ И МЕТОДЫ

12]. В настоящее время для мониторинга сельско-

хозяйственных полей в Институте космических

Исследования проводились на землях ООО

исследований РАН разработан специализирован-

«Учебно-опытное хозяйство

«Миндерлинское»

ный спутниковый сервис «ВЕГА», который обес-

Сухобузимского района Красноярского края в те-

печивает возможность работы с архивами дан-

чение вегетационного периода 2019 г. На рис. 1

ных, накопленных за период с 2000 г. по настоя-

представлено месторасположение опытного поля

щее время [13]. Но все эти системы большей

и его структура. Опытное поле состоит из пяти

своей частью служат в качестве инструментов для

полос со средней протяженностью 650 м. Направ-

научных исследований и в меньшей степени -

ленность полос с запада на восток, ширина каж-

для актуального, своевременного прикладного

дой полосы 20 м. Внесение удобрений проводили

использования.

по северной части каждой полосы (шириной

Идея объединения спутниковых и наземных

10 м), южная оставалась без удобрений. Каждая

данных в моделях для улучшения регионального

полоса была засеяна определенным видом сель-

и глобального прогнозирования урожайности су-

скохозяйственных культур. В работе представлен

ществует давно [14-17], однако на практике этот

анализ результатов обработки данных по полосе

подход по-прежнему в основном используется в

№ 2, засеянной пшеницей «Новосибирская-15»

научных исследованиях, а не в сельскохозяй-

(рис. 2). Посев пшеницы проведен 29 мая. В

ственном производстве. При этом основное ко-

предыдущем 2018 г. на данной полосе проводили

личество исследований сосредоточено на более

посев кукурузы. В полевом опыте применяли ми-

простых однородных ландшафтах [18, 19].

неральное азотное удобрение - аммиачную се-

литру. Доза внесения составляла 34.7 кг/га д.в.

Использование спектральной информации

Удобрения вносили одновременно с посевом

высокого пространственного и временного раз-

яровой пшеницы сеялкой «Агратор-4.8». Все по-

решения (в том числе данных Dove (PlanetScope)

лосы разделены на четыре тестовых участка в со-

компании PlanetLabs с пространственным разре-

ответствии с четырьмя способами обработки

шением 3 м) дает возможность осуществлять мо-

почв:

ниторинг, в том числе прогнозирование урожай-

ности, для решения задач «точного земледелия».

способ 1 - прямой посев при нулевой обработ-

Основой научной концепции точного земледелия

ке почвы (сеялка «Агратор 4.8»).

являются представления о существовании неод-

способ 2 - поверхностная обработка (дискатор

нородностей различных параметров в пределах

БДШ-5.6 на 8-10 см);

одного поля. Преимущество предлагаемой техно-

способ 3 - плоскорезная обработка (культива-

логии состоит в том, что она позволяет произво-

тор КПШК-3.8 на 20-22 см);

дить анализ внутрипольной вариабельности раз-

способ 4 - вспашка (плуг ПН-5-35 на 20-

личных характеристик: почвенных, температур-

22 см);

ных, влажностных и др., а следовательно, и

урожайности посевов сельскохозяйственных

Для чистоты эксперимента все тестовые участ-

культур.

ки отделены друг от друга защитными полосами

шириной 5 м.

Работы по раннему прогнозированию урожай-

ности посредством применения методов дистан-

Учет урожайности зерна пшеницы проводили

ционного зондирования Земли единичны. При-

сплошным методом с помощью комбайна в ше-

чиной этого является тот факт, что не до конца

стикратной повторности для каждого способа об-

разработаны общие подходы и методология оцен-

работки почв. Урожайность зерна рассчитывали в

БИОФИЗИКА том 66

№ 6

2021

РАННЕЕ ПРОГНОЗИРОВАНИЕ УРОЖАЙНОСТИ ЗЕРНОВЫХ КУЛЬТУР

1167

другим сценам по осям X или Y, или же одновре-

группе пикселей, попадающих в анализируемый

менно по обеим осям. Поэтому для выравнива-

участок. Множественная линейная модель для

ния снимков применяли инструмент «Сдвиг» в

прогноза урожайности яровой пшеницы имеет

приложении ArcMap программного пакета ESRI

следующий вид при восьми переменных (коэф-

ArcGIS.

фициент детерминации 0.86, среднеквадратичная

ошибка прогноза 3.77):

В ходе тематической обработки спутниковой

информации проводили расчет значений индекса

Y = 44.14 - 131.73⋅INDVI1 + 133.79INDVI2 -

NDVI (Normalized Difference Vegetation Index)

- 32.99INDVI3 - 118.47 INDVI4 + 104.66INDVI5 +

[20]. Расчет NDVI базируется на данных красного

+ 12.58INDVI6 + 43.19INDVI7 - 40.78INDVI8,

(RED) и ближнего инфракрасного (NIR) диапа-

NIR-RED

где Y - урожайность, I_{NDVI i} - значения интеграла

зонов оптического спектра:

NDVI

NIR

RED

NDVI в отдельные периоды времени (i).

Проведенные расчеты позволили построить

РЕЗУЛЬТАТЫ

картограмму урожайности исследуемого участка.

На рис. 4 в строке I показано фактическое распре-

В ранее проведенных исследованиях [21] было

деление урожайности. Карта урожайности по-

установлено, что использование интегральных

строена для каждого участка с учетом вида обра-

показателей вегетационных индексов в модель-

ботки и фона (удобренные/не удобренные), по-

ных прогнозах урожайности ячменя позволяет

средством интерполяции прямых измерений

выполнять прогноз с максимальной вероятно-

(четыре точки), полученных в ходе уборки. На

стью в фазе цветения - молочной спелости. Из

рис. 4 в строке II показано пространственное рас-

четырех исследуемых вегетационных индексов

пределение урожайности исследуемого участка,

(MSAVI2, NDVI, VARI, ClGreen) только индекс

полученное по результатам модельного расчета.

VARI показал достаточно низкую корреляцион-

ную связь с урожайностью (до 0.48). Коэффици-

Полученная спутниковая карта позволила вы-

енты корреляции между урожайностью и величи-

явить неоднородность уровня урожайности в

ной интеграла индексов MSAVI2, NDVI и ClGreen

пределах поля. Отчетливо выделены зоны с повы-

достигают значений 0.8-0.9, начиная с фазы цве-

шенной урожайностью зерна яровой пшеницы,

тения.

на которых проведено внесение удобрений (крас-

ный цвет соответствует наибольшим значениям

Расчет криволинейного интеграла исследуе-

урожайности). При обработке «вспашка» урожай-

мых индексов (I) проводили по следующей фор-

ность на удобренном фоне была на 36.4% больше,

муле:

чем на фоне без удобрений, при плоскорезной

обработке - на 26.5%, при поверхностной обра-



k+1







⋅ (d

k+1

−

),



k=1

ботке - на 28.8%; в случае прямого посева при ну-





левой обработке почвы - на 25.9%.

где V_k - значение вегетационного индекса, d_k -

Картирование урожайности является неотъ-

время (день съемки), n - количество измерений.

емлемой частью дифференцированного приме-

На рис. 3 представлены картограммы значе-

нения удобрений и других агрохимических

ний интеграла NDVI посевов пшеницы в течение

средств. Использование модельных карт урожай-

периода вегетации с 29 мая по 7 сентября 2019 г.,

ности позволяет определить проблемные участ-

полученные по данным PlanetScope.

ки, для дальнейшего определения причин сниже-

Для прогнозирования урожайности яровой

ния урожайности и принятия соответствующих

пшеницы в начале июля (фаза колошения - нача-

мер. Это позволит увеличить валовые сборы про-

ло цветения) построена линейная регрессионная

дукции и улучшить качество урожая.

модель, в которой в качестве параметров исполь-

зованы значения интеграла под кривой NDVI в

разные периоды времени. Для построения ре-

ВЫВОДЫ

грессионной модели использовали массив значе-

Проведено изучение пространственного изме-

ний NDVI и величин урожайности отдельных

нения значений индекса NDVI посевов яровой

участков размером 180 м². Величину урожайности

пшеницы с 29 мая по 7 сентября 2019 г. по спутни-

на данных участках определяли в ходе уборки

ковым данным PlanetScope. Получены данные

урожая с помощью зерноуборочного комбайна

пространственного изменения интеграла NDVI

«TERRION», значения NDVI брали из данных

яровой пшеницы в течение периода вегетации по

PlanetScope. Усреднение NDVI проводили по

данным PlanetScope.

БИОФИЗИКА том 66

№ 6

2021

1168

ШЕВЫРНОГОВ и др.

Рис. 3. Картограммы значений интеграла NDVI посевов пшеницы в течение периода вегетации (с 29 мая по 7 сен-

тября 2019 г.), полученные по данным PlanetScope. Белыми линиями обозначено разделение на виды обработки

(способы 1-4). Раскраска картограмм выполнена с использованием одной цветовой шкалы для всех дат исследова-

ний. Минимальные и максимальные значения цветовых шкал представлены в таблице - напротив соответствую-

щей картограммы.

Выполнено раннее прогнозирование урожай-

периоды времени. Определен вид множествен-

ности яровой пшеницы по данным дистанцион-

ной линейной модели для прогноза урожайности

яровой пшеницы при восьми переменных (коэф-

ного зондирования с помощью PlanetScope в на-

фициент детерминации 0.86, среднеквадратичная

чале июля в фазу колошения - начало цветения

ошибка прогноза 3.77).

пшеницы на основании линейной регрессионной

модели. В качестве параметров использованы

Построена карта урожайности яровой пшени-

значения интеграла под кривой NDVI в разные цы по спутниковым данным PlanetScope с про-

БИОФИЗИКА том 66

№ 6

2021

РАННЕЕ ПРОГНОЗИРОВАНИЕ УРОЖАЙНОСТИ ЗЕРНОВЫХ КУЛЬТУР

1169

Рис. 4. Карта урожайности поля яровой пшеницы, полученная по наземным данным (I) и результатам модельного

расчета (II).

странственным разрешением 3 м. Полученная

2. F. Kogan, in Remote Sensing for Food Security, ed. by

карта позволила выявить неоднородность уровня

F. Kogan (Springer, Cham, 2019), pp. 163-173.

урожайности в пределах опытного поля.

3. F. Kogan, W. Guo, and W. Yang, Geomatics, Nat. Haz-

ards Risk 10, 651 (2019).

Проведенные исследования показали хоро-

4. M. Battude, A. Al Bitar, D. Morin, et al., Remote Sens.

шую связь между интегралом NDVI и фактиче-

Environ. 184, 668 (2016).

ской урожайностью, полученной в конце вегета-

5. D. M. Johnson, Remote Sens. Environ. 141,

116

ционного периода. Следовательно, промежуточ-

(2014).

ные результаты внутрисезонных измерений могут

6. I. Mariotto, P. S. Thenkabail, A. Huete, et al., Remote

быть использованы для коррекции дозы внесения

Sens. Environ. 139, 291 (2013).

удобрений.

7. L. Wall, D. Larocque, and P. M. Leger, Int. J. Remote

Отсюда следует важный вывод, что использо-

Sens. 29, 2211 (2008).

вание и применение полученных результатов так-

8. K. Wang, S. E. Franklin, X. Guo, and M. Cattet, Sen-

же позволит существенно оптимизировать дозы

sors 10, 9647 (2010).

внесения минеральных удобрений с учетом пест-

9. M. Zaman-Allah, O. Vergara, J. Araus, et al., Plant

роты почвенного плодородия за счет снижения их

Methods 11, 35 (2015).

на относительно плодородных внутрипольных

10. В. М. Брыксин, А. В. Евтюшкин и Н. В. Рычкова,

участках и увеличения на менее плодородных.

Изв. Алтайского гос. ун-та 1-2 (65), 89 (2010).

11. В. А. Толпин, С. А. Барталев, В. Ю. Ефремов и др.,

Современные проблемы дистанционного зонди-

ФИНАНСИРОВАНИЕ РАБОТЫ

рования Земли из космоса 2 (7), 221 (2010).

Исследование выполнено при поддержке

12. И. Ю. Савин, Е. А. Лупян и С. А. Барталев, Геома-

Красноярского краевого фонда науки в рамках

тика 2, 69 (2011).

реализации проекта: «Разработка и внедрение ме-

13. Е. А. Лупян, И. Ю. Савин, С. А. Барталев и др., Со-

тода раннего прогнозирования урожайности зер-

временные проблемы дистанционного зондирова-

ния Земли из космоса 1 (8), 190 (2011).

новых культур в Сибирском регионе по данным

дистанционного зондирования Земли».

14. R. Delecolle, S. J. Maas, M. Guerif, and F. Baret,

ISPRS J. Photogrammetry Remote Sens. 47,

145

(1992).

КОНФЛИКТ ИНТЕРЕСОВ

15. S. Moulin, A. Bondeau, and R. Delecolle, Int. J. Re-

mote Sens. 19, 1021 (1998).

Авторы заявляют об отсутствии конфликта

интересов.

16. P. C. Doraiswamy, T. R. Sinclair, S. Hollinger, et al.,

Remote Sens. Environ. 97, 192 (2005).

17. W. A. Dorigo, R. Zurita-Milla, A. J. W. de Wit, et al.,

СОБЛЮДЕНИЕ ЭТИЧЕСКИХ СТАНДАРТОВ

Int. J. Appl. Earth Obs. Geoinf. 9, 169 (2007).

Настоящая работа не содержит описания ис-

18. A. V. M. Ines, N. N. Das, J. W. Hansen, and

E. G. Njoku, Remote Sens. Environ. 138, 149 (2013).

следований с использованием людей и животных

в качестве объектов.

19. Y. Xie, P. Wang, X. Bai, et al., Agric. For. Meteorol. 246

(2017).

20. C. F. Jordan, Ecology 50, 663 (1969).

СПИСОК ЛИТЕРАТУРЫ

21. И. Ю. Ботвич, Д. В. Емельянов, А. А. Ларько и др.,

1. P. Filippi, E. J. Jones, N. S. Wimalathunge, et al., Pre-

Современные проблемы дистанционного зонди-

cis. Agric. 20 (5), 1015 (2019).

рования Земли из космоса 5 (16), 183 (2019).

БИОФИЗИКА том 66

№ 6

2021