Прогнозирование урожайности зерновых культур с использованием ГИС-технологий

Прогнозирование урожайности зерновых культур с использованием ГИС-технологий



Кожевникова Е.А.

Самарская ГСХА

Г. Самара, Россия

Магистр 2 курса «Экономика»

Руководитель к.э.н., доцент Некрасов Р.В.





В условиях рыночной экономики задача прогнозирования урожая сельскохозяйственных культур и, в особенности, зерновых злаков,имеет большое народнохозяйственное значение. Информация об ожидаемом урожае, о причинах возможных потерь и об уровне потерь интересует как самих производителей сельскохозяйственной продукции, так и страховые компании, трейдеров, и, безусловно, государственные структуры. Для последних эта информация является не только сугубо экономической, но и политической в неменьшей степени. На основе прогноза валового сбора зерна определяется вероятность вознкновения чрезвычайных ситуаций, планируются государственные закупочные и товарные интервенции, определяется потребность в финансовых ресурсах на их реализацию, потребности в транспорте и мощностях для хранения продукции, экспортный потенциал страны. В этой связи проблема выбор инструментария для наиболее точного прогнозирования урожайности сельскохозяйственных культур в настоящее время весьма актуально.

За последнее  в научном сообществе сформировалось  методов и подходов  урожайности сельскохозяйственных , основными из  являются: 

- анализа тренда и  в динамике урожайности;

- , основанный на выявлении -аналога; 

- прироста биомассы ; метод, основанный на хода синоптических процессов; 

-прогнозирование урожайности с спутниковых данных на основе геоинформационных технологий. 

Использование геонформационных технологий в целях краткосрочного  урожайности сельскохозщяйственных наиболее перспективными других методов в  с их объективностью, оперативностью,  охвата  территорий. Использование  прогнозирования урожайности на  спутниковых данных  с результатами,  другими методами, существенно повысить качество  и их заблаговременность [1]. 

В  модели  положена гипотеза о том, что  зависит от показателей  индекса (набора ) в течение  сезона. Для любого  с посевами эти значения  различную предикативную  в зависимости от сельскохозяйственной культуры, периода ее вегетации, природно-климатических особенностей исследуемого , а также применяемой технологии производства. Построение математически  модели для  в целом, дает  детализировать результаты  для конкретного участка  до разрешающей  вычисленных карт  индекса.

В настоящее время наиболее часто используется такой критерий, как NDVI (DifferenceVegetation) – нормализованный  индекс растительности, по  можно судить о  биомассы растений во  вегетации.листья растений  электромагнитные волны в  диапазоне и отражают  в ближнем . Чем больше листовая  растений и чем больше  в листьях, тем сильнее  поглощают  на них красный свет (и  его отражают). Индекс  вычисляется по сумме и  отражений в  и ближнем инфракрасном .

Для вычисления этого  используется  формула (1).



NDVI = R2 –1/ R2 + R1,  (1)



где R2 - значение отражения в  инфракрасной области ; 

 R1 - значение  в красной области . 



Согласно этой , плотность растительности () в определенной  изображения равна  интенсивностей отраженного  в красном и инфракрасном , деленной наих интенсивностей. Индекс  удобен с практической  зрения еще и тем, что он свободно  в форме  композитов за продолжительное время [6].

Диапазон абсолютных  индекса NDVI  в интервале от –1 до +1. Для  индекс принимает  значения (примерно от 0,2 до 0,9), и чем зелёнаяфитомасса в момент , тем значение NDVI  к единице. Показатель  – относительный, он не показывает  значений  зеленых листьев, но по можно достоверно , насколько хорошо или  развиваются ы.

Индекс  изменяется весь  и его значения  во время роста,  и созревания растений. Ввегетационного сезона  нарастает, в  цветения его рост , затем по мере , NDVI снижается. Кроме того, в от почвенного , метеоусловий и технологии  посевов скорость  биомассы будет .

Наиболее  прогноз урожайности  по индексу NDVI  дать в момент  пика  NDVI. Например, для  озимой пшеницы при  по интенсивной технологии,  NDVI во  пика достигает  (по данным Центра  земледелия РГАУ –  им. К.А.Тимирязева). Пик  обычно приходится на  начала фазы . Зная потенциальную  сорта, мы  прогнозировать, что при таком  NDVI урожайность  максимальной для данного . Если в  колошения NDVI  значения всего  то это значит, что урожайность , ниже  на 25–30 %. Ведь  связан с зеленой  растений, а урожайность – это  и комплексный , который оказывает непосредственное  на эффективность и финансовое  отрасли. 

В Самарской области работы по формированию региональной геоинформационной системы регионального АПК начались с 2008 года. Основными участниками данной работы стали Правительство Самарской области, Самарский государственный аэрокосмический университет, государственный ракетно-космический центр «Прогресс». Для более четкой координации совместных действий было учреждено некоммерческое партнерство «Поволжский центр космической геоинформатики», на базе которого проводятся работы по проведению дистанционного зондирования территории Самарской области и последующей дешифрации космических снимков.

На этапе становления системы основное внимание разработчики уделили уточнению границ земельных участков сельскохозяйственного назначения, что позволило получить объективную картину реального использования пахотных земель и иных видов сельскохозяйственных угодий. В последующем полученные результаты были использованы при определении размеров государственной поддержки, предоставляемой в расчете на 1 га посевной площади. Предоставление декларации об итиогах озимого и ярового сева в системе ГИС-АПК является обязательным условием получения бюджетных средств для аграриев Самарской области по направлению «Несвязанная поддержка в отрасли растениеводства». В результате у органов управления региональным АПК появились электронные карты использования земель сельскохозяйственного назначения в разрезе муниципальных районов, пример которой представлен на рис. 1.



Рис. 1 – Структура посевных площадей 

в муниципальном районе Богатовский



В настоящее время в работу по развитию региональной системы ГИС-АПК включилась Самарская государственная сельскохозяйственная академия. Перед учеными-аграрниками региона поставлена задача разработать адекватный инструментарий оценки и прогнозирования урожайности сельскохозяйственных культур, прежде всего, зерна. 

Это связано с тем, что зерновые культуры традиционно занимают около 60% в структуре посевных площадей в Самарской области. Это делает технологии их возделывания решающим фактором сохранения и повышения почвенного плодородия, а также обеспечения фитосанитарного благополучия на землях сельскохозяйственного назначения. Зерно играет важную роль в формировании экономического потенциала сельскохозяйственных товаропроизводителей Самарской области. За счет этого продукта ежегодно в среднем формируется около 35% валовой продукции сельского хозяйства и до 30% выручки от реализации.

В процессе выполнения исследования, на основе космоснимков были подготовлены обучающие совокупности, которые позволили по NDVI-индексу с абсолютной достоверностью определять наличие посевов сельскохозяйственных культур. После получения фотографического материала со спутника (рис. 2), осуществлялся визуальный осмотр выбранного участка (рис. 3). Это позволило создавать региональные обучающие совокупности, на основе которых можно осуществлять мониторинг посевов по видам сельскохозяйственных культур.



Рис. 2 – Результаты космического мониторинга 



Рис. 3 – Наземная проверка полученных данных

	После завершения этапа идентификации видов сельскохозяйственных культур, в настоящее время ведется работа по продготовке компьютерной модели для прогнозирования урожайности зерна. Для этого в 3 агроэкономических зонах Самарской области заложены опытные делянки с основными видами зерновых культур, возделываемых в регионе: озимая и яровая пшеница, ячмень, овес. При наступлении основных фаз развития растений осуществляется фотографирование конкрентных участков из космоса в различных спектрах, что позволяет сформировать динамику NDVI-индекса, то есть сформировать тестовую совокупность. Данная работа осуществляется в компьютерной программе ГИС-АПК. Результаты этой работы представлены на рис. 4.



Рис. 4 – Применр расчета NDVI-индекса для условий Самарской области



	Результаты, полученные учеными Самарской области в 2015 – 2017 годах, позволяют получить точность прогноза урожайности на уровне 65-70%. Доведение этого показателя до 85 – 90% позволит сформировать достоверную региональную модель прогнозирования урожайности сельскохозяЙственных культур, что позволит принимать более обоснованные управленческие решения в сфере развития регионального зернового хозяйства. По нашему мнению, в дальнейшем аналогичные модели должны быть построены для других сельскохозяйственных культур, что позволит с высокой степенью точности формировать региональные балансы продукции по основным видам продукции растениеводства.



Список используемой литературы:

Аюнова О. Д., «Применение геоинформационных технологий в изучении развития природно – антропогенных экосистем», 2012 –  100– 105с.

Басенкова С.В., «Эффективность зернового производства», 2014 – 304 – 307с.

Берлянт А.М., «Географические информационные системы в науках о Земле», 2008 – 66–73с.

Куулар Х.Б., Чупикова С.А., «Геоинформационные подходы оценки растительности», 2009 – 225–228с.

Смирнова Е.А., Чупахина Е.Ю., учебно – методический комплекс по курсу «Прогнозирование и планирование развития АПК», 2007 – 264с.

Хохлова Н.В., Смирнова Е.А. «Эффективность производства зерна», 2013 – 59с. 

http://www.gisa.ru/49184.html

8.......................