ПРОГНОЗУВАННЯ ВРОЖАЙНОСТІ ЯРИХ ПРОСАПНИХ КУЛЬТУР ЗА ДАНИМИ ДИСТАНЦІЙНОГО ЗОНДУВАННЯ

Р.А. ВОЖЕГОВА; М.П. МАЛЯРЧУК; І.М. БІЛЯЄВА; А.С. МАЛЯРЧУК; П.В. ЛИХОВИД

Р.А. ВОЖЕГОВА Інститут зрошуваного землеробства Національної академії аграрних наук України
М.П. МАЛЯРЧУК Інститут зрошуваного землеробства Національної академії аграрних наук України
І.М. БІЛЯЄВА Інститут зрошуваного землеробства Національної академії аграрних наук України
А.С. МАЛЯРЧУК Інститут зрошуваного землеробства Національної академії аграрних наук України
П.В. ЛИХОВИД Інститут зрошуваного землеробства Національної академії аграрних наук України

Ключові слова: ва: NDVI, регресійний аналіз, точне землеробство, кукурудза, сорго, соя.

Анотація

Мета: розробити статистичні моделі прогнозування врожайності основних ярих просапних культур, а саме: кукурудзи, сорго та сої залежно від даних супутникового зондування – нормалізованого диференційного вегетаційного індексу (NDVI), отриманого в критичні фази роз-витку культур. Методи. Аналітичний, статистичний, ГІС-технологічний методи були застосовані для виконання дослідження. Дані супутникового зондування для роз-рахунку NDVI було отримано за зображеннями із супутника Sentinel-2. Поліномінальний регресійний аналіз було застосовано в розробленні прогностичних моделей із використанням фактичних величин урожайності, які було отримано під час збирання досліджуваних куль-тур у період 2017–2018 рр. на дослідному полі Інституту зрошуваного землеробства НААН. Результати. Статистична обробка даних показала, що регресійні моделі добре підходять для точного прогнозування вро-жайності культур. Найкраща точність регресійних моде-лей була за використання величин NDVI, отриманих у фазу викидання волоті (VT) та цвітіння качанів (R1) у кукурудзи (коефіцієнт детермінації 0.9813), у фазу дру-гого трійчастого листка (V2) у сої (коефіцієнт детерміна-ції 0.9829) та в першу половину фази цвітіння (S6) сорго (коефіцієнт детермінації 0.8645). Величини NDVI, отримані в інші фази росту культур, приводили до зниження точності моделей. Висновки. NDVI є зручним і гнучким, простим у використанні інструментом раннього прогнозування врожайності основних ярих просапних культур. Подальші дослідження в цій і підвищення точності розроблених моделей шляхом введення додаткових даних і використання поліпшеної техніки обчислень необхідні для поліпшення як

Посилання

1. Báez-González, A.D., Chen, P.Y., Tiscareño-López, M., & Srinivasan, R. (2002). Using satellite and field data with crop growth modeling to monitor and estimate corn yield in Mexico. Crop Science, 42, 1943–1949.
2. Bolton, D.K., & Friedl, M.A. (2013). Forecasting crop yield using remotely sensed vegetation indices and crop phenology metrics. Agricultural and Forest Meteorology, 173, 74–84.
3. Carlson, T.N., & Ripley, D.A. (1997). On the relation between NDVI, fractional vegetation cover, and leaf area index. Remote sensing of Environment, 62, 241–252.
4. F. (2016). Mean absolute percentage error for regression models. Neurocomputing, 192, 38–48.
5. de Oliveira, M.F., Ormond, A.T.S., de FreitasDe Myttenaere, A., Golden, B., Le Grand, B., & Rossi, Noronha, R.H., dos Santos, A.F., Zerbato, C., & Furlani, C. E.A. (2019). Prediction Models of Corn Yield by NDVI in Function of the Spacing Arrangement. Journal of Agricultural Science, 11, 493–500.
6. Everitt, B.S., & Skrondal, A. (2010). The Cambridge Dictionary of Statistics. Cambridge Univ. Press, Cambridge, UK.
7. Fang, H., Liang, S., & Hoogenboom, G. (2011). Integration of MODIS LAI and vegetation index products with the CSM–CERES–Maize model for corn yield esti-mation. International Journal of Remote Sensing, 32, 1039–1065.
Fernandes, J.L., Ebecken, N.F.F., & Esquerdo,J.
8. C.D.M. (2017). Sugarcane yield prediction in Brazil using NDVI time series and neural networks ensem-ble. International Journal of Remote Sensing, 38(16), 4631–4644.
9. Fernandez-Ordoñez, Y.M., & Soria-Ruiz, J. (2017). Maize crop yield estimation with remote sensing and empir-ical models. In: 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). IEEE, pp. 3035–3038.
10. Gamon, J.A., Field, C.B., Goulden, M.L., Griffin, K.L., Hartley, A.E., Joel, G., Penuelas, J., & Valentini, R. (1995). Relationships between NDVI, canopy structure, and photo-synthesis in three Californian vegetation types. Ecological Applications, 5, 28–41.
11. Gong, Z., Aldeen, M., & Elsner, L. (2002). A note on a generalized Cramer's rule. Linear Algebra and its Applications, 340, 253–254.
12. Herold, M., Scepan, J., & Clarke, K.C. (2002). The use of remote sensing and landscape metrics to describe structures and changes in urban land uses. Environment and Planning A, 34, 1443–1458.