Содержание к диссертации
Введение
Глава 1 Обзор литературы: почвенно-агроэкологическое моделирование продукционного процесса как основа цифровизации при выращивании озимой пшеницы 11
1.1 Задача цифровизации сельского хозяйства России 11
1.1.1 Составляющие цифровизации сельского хозяйства 11
1.1.2 Точное земледелие 13
1.1.3 Информационно-методическое обеспечение почвенно-агроэкологического мониторинга 15
1.1.4 Системы поддержки и принятия решений 18
1.2 Особенности продукционного процесса озимой пшеницы и ее народнохозяйственное значение 21
1.3 Система поддержки и принятия агротехнологических решений для переноса агротехнологий (DSSAT) 23
1.3.1 Общая характеристика DSSAT 23
1.3.2 Компоненты DSSAT 26
1.3.3 Минимальный набор данных для моделирования 32
1.4 Использование беспилотных летательных аппаратов (БПЛА) для агроэкологического мониторинга 34
1.4.1 Мониторинг сельскохозяйственных земель 34
1.4.2 Вегетационные индексы - основа оперативной обработки данных 37
Глава 2 Объекты и методы исследований 40
2.1 Полевые агроэкосистемы с озимой пшеницей на Полевой опытной станции РГАУ-МСХА имени К.А. Тимирязева в 2015-2017 гг. 40
2.1.1 Общая характеристика объектов исследования 40
2.1.2 Агроклиматические условия проведения экспериментов 42
2.1.3 Характеристика почвенных условий 47
2.1.4 Агротехнологическая характеристика объекта 49
2.1.5 Особенности озимой пшеницы сорта Звезда 51
2.2 Методы исследований 53
2.2.1 Полевые методы исследований 53
2.2.2 Лабораторные методы исследований 57
2.2.3 Дистанционные исследования с помощью БПЛА 58
2.2.4 Информационно-аналитические методы 61
2.2.5 Подготовка данных для настройки CERES-Wheat модели по данным 2015-2016 гг 62
2.2.6 Подготовка данных для тестирования CERES-Wheat модели по данным 2016-2017 гг. 67
Глава 3 Агроэкологический мониторинг продукционного процесса озимой пшеницы в 2015-2017 гг. 70
3.1 Рост растений и густота стеблестоя 70
3.2 Динамика проективного покрытия посевов 75
3.3 Параметры биомассы в период цветения растений 79
3.4 Характеристики урожая 81
3.5 Зависимости характеристик урожая от параметров биомассы на ранних стадиях развития растений 84
Глава 4 Локализация модели DSSAT 87
4.1 Настройка модели CERES-Wheat путем подбора коэффициентов модели 87
4.2 Анализ чувствительности модели, настроенной по сезону, близкому к среднемноголетнему 92
4.3 Тестирование модели по сезону более холодному и влажному по сравнению со среднемноголетним 93
Глава 5 Исследование агроэкологических зависимостей для параметров биомассы озимой пшеницы 97
5.1 Анализ влияния агротехнологий, применяемых на Полевой опытной станции РГАУ-МСХА 97
5.2 Изменение во времени параметров биомассы пшеницы на вариантах с отвальной и нулевой способами обработки почвы 103
Глава 6 Исследование зависимостей между данными дистанционного зондирования с БПЛА и параметрами биомассы озимой пшеницы 107
6.1 Зависимость между урожаем озимой пшеницы по делянкам в целом и индексом NDVI 107
6.2 Сравнительный анализ информативности вегетационных индексов для оценки биомассы 110
Заключение 116
Библиографический список 119
- Системы поддержки и принятия решений
- Подготовка данных для настройки CERES-Wheat модели по данным 2015-2016 гг
- Настройка модели CERES-Wheat путем подбора коэффициентов модели
- Сравнительный анализ информативности вегетационных индексов для оценки биомассы
Системы поддержки и принятия решений
Важным условием современного мирового развития является все возрастающая потребность в информации для принятия управленческих решений на разных территориальных уровнях. Данные, получаемые в результате традиционных полевых экспериментов, уже не могут полностью удовлетворить современные потребности в информации, так как такие исследования являются дорогими и требуют много времени для получения результата. Полевые сельскохозяйственные исследования проводятся в конкретном месте и в конкретное время. Результаты этих исследований получаются локально и сезонно зависимыми. Соответственно возникает потребность в инструментарии, который позволил бы прогнозировать итоги управленческих решений (например, по внедрению определенных агротехнологий) на любой срок и в любом месте [The DSSAT … , 2003].
Модели продукционного процесса имеют полувековую историю, однако лишь с появлением на массовом рынке персональных компьютеров они получили широкое распространение в прикладной сфере. Широкое распространение получили модели, основанные на биофизическом моделировании динамики сезонного развития растений с учетом сортовых особенностей, что позволяет прогнозировать урожайность, в частности имитационная модель роста сельскохозяйственных растений WOFOST (Савин и др., 2000). Среди отечественных разработок выделяется детальная имитационная модель продукционного процесса сельскохозяйственных растений, созданная под руководством P.А. Полуэктова в Петербургском агрофизическом институте [Модели продукционного процесса … , 2006]. В модель включено описание процессов трех типов: 1) энерго- и массообмен, происходящие в почве и приземном воздухе, а также в самих растениях; 2) совокупность биофизических и физиологических процессов в растительном покрове, определяющих прирост биомассы, рост и развитие отдельных органов растения и формирования урожая; 3) экологическое взаимодействие культурных растений с сорняками, болезнетворными микроорганизмами и вредителями. Модель продукционного процесса сельскохозяйственных культур «Климат – Почва – Урожай» основана на описании формирования биомассы отдельных органов (листьев, стеблей, корней, зерна) и динамики составляющих баланса влаги и минерального азота в почве [Романенков, 2015]. Для применения в масштабах хозяйства в целях агроэкологической оптимизации агротехнологий под руководством И.И. Васенева создана Локальная информационно-справочная система по оптимизации земледелия (ЛИССОЗ) [Локальная информационно-справочная система … , 2005]. Данная система предназначена для упрощения принятия решений трех типов:
рационального размещения культур и сортов в хозяйстве в зависимости от агроэкологических характеристик земель;
оптимизации обработки почвы и системы применения удобрений в зависимости от агроэкологической зоны;
оценки затрат и рентабельности растениеводства в конкретном хозяйстве.
ЛИССОЗ дает широкий выбор настроек в зависимости от условий исследуемого агроландшафта и способна обеспечить решение информационных, оптимизационных, расчетных и прогнозных задач.
Для проведения сравнительно-географического и функционально-экологического анализа с использованием автоматизированных систем оценки под руководством И.И. Васенева была разработана Региональная автоматизированная система комплексной агроэкологической оценки земель (РАСКАЗ) [Васенев, 2005]. Данная система предназначена для информационно-аналитического решения следующих задач:
выявления и количественной оценки приоритетных агроэкологических проблем;
прогнозирования различных неблагоприятных сценариев развития агроэкологической ситуаций;
упрощения принятия решения по оптимизации землепользования;
агроэкологической экспертизе эколого-экономической эффективности новых технологий.
В сельском хозяйстве России существует запрос на автоматизированные системы, облегчающие принятие решений как в области моделирования продукционного процесса, так и в области агроэкологической оценки земель. Поэтому разработка и адаптация программных комплексов имеет широкие перспективы.
Подготовка данных для настройки CERES-Wheat модели по данным 2015-2016 гг
Для нахождения калибровочных коэффициентов модели CERES-Wheat (табл. 2.5) использовались данные по урожаю зерна в т/га, датам всходов, цветения и созревания (количество дней от посадки) на отвальной обработке поля озимой пшеницы за сезон.
Для характеристики территории были указаны географическая широта и долгота объекта исследования (N 55,837647, Е 37,564162). Во входных параметрах был выбран тип дренажа: «умеренный», водопроницаемость: «умеренно низкая», крутизна склона: около 1.
На основе проведенных нами почвенных анализов (n = 6 для пахотного горизонта) и литературных данных за разные годы была составлена характеристика обобщенного почвенного профиля (табл. 2.6).
Для верхнего пахотного горизонта были использованы следующие характеристики в качестве средних: pH солевой - 4,7, содержание подвижного фосфора 130 мг/кг, содержание подвижного калия - 57 мг/кг. Общая мощность гумусового горизонта принималась равной 21 см. Из предлагаемого системой DISSAT набора цветов гумусового горизонта (коричневый, желтый, красный, черный или серый) был выбран коричневый цвет.
Для моделирования продукционного процесса критически важной является информация о климате. Для настройки и тестирования системы DSSAT для конкретной местности необходимы данные за каждые сутки вегетационного периода. Входные данные за вегетационный период 2015-2016 гг. о суточных минимальных, максимальных температурах воздуха (C) (рис. 2.10) и осадках (мм) (рис. 2.11) были рассчитаны нами как усредненные данные микрометеостанций, установленные Лабораторией агроэкологического мониторинга, моделирования и прогнозирования экосистем (ЛАМП) за эмиссией парниковых газов (см. стр. 42). Посуточное усреднение было выполнено для обоих станций, производящих микрометеорологические измерения каждые 30 минут, и всех 48 суточных измерений. Метеоданные за периоды, когда по каким-либо причинам микрометеостанции не работали, были предоставлены Метеорологической обсерваторией имени В.А. Михельсона РГАУ–МСХА имени К.А. Тимирязева.
Данные по суточной солнечной радиации (МДж м2/день) (рис. 2.12) в 2015 -2016 гг. были получены в метеорологической обсерватории МГУ имени М.В. Ломоносова [Климатические ресурсы … , 2012], где ведутся многолетние климатические измерения разных показателей солнечной радиации.
Для определения отклика данного сорта на входные данные модели использовали специальный программный продукт GENCALC (Genotype Coefficient Calculator), с помощью которого, согласно рекомендациям [Tsuji, Uehara, Balas, 1994], были подобраны специальные «генетические» или, как их еще называют, «сортовые» коэффициенты модели.
Для оценки чувствительности настроенной модели вводились следующие комбинации входных данных эксперимента по системе применения удобрений и типу обработки почвы (табл. 2.7).
В системе DSSAT для изменения указанных параметров нужно воспользоваться специальными модулями Fertilizers и Tillage. Помимо варианта, соответствующего условиям эксперимента в 2015-2016 гг. (выделен в таблице 2.6 жирным шрифтом), использовались: нулевой вариант – без внесения удобрений, варианты без осеннего внесения азотных удобрений, но с разными дозами фосфорных и калийных удобрений, варианты с осенним внесением азотных удобрений в разных дозах; варианты с двумя дозами азотных весенних подкормок – 70 кг д.в. и 140 кг д.в.
Настройка модели CERES-Wheat путем подбора коэффициентов модели
Для настройки модели CERES-Wheat для озимой пшеницы сорта Звезда линия 1 по данным 2015–2016 гг., которая выражается в нахождении, так называемых, сортовых генетических коэффициентов, была использована агротехнологическая схема эксперимента с системой применения удобрений в вегетационном сезоне 2015-2016 гг., состоящий из предпосевного внесения 32 кг/га д.в. N16P16K16 и двух азотных подкормок по 70 кг/га д.в. аммиачной селитрой. В таблице 4.1 отражены результаты настройки. Видно, что расхождение между датами цветения и созревания в модели по отношению к наблюдаемым значениям оказалось несколько дней. Разница между смоделированным и наблюдаемым урожаем составила 5%.
При запуске настроенная модель CERES-Wheat исходя из даты посадки, условий окружающей среды, метеоданных и применяемых агротехнологий, посуточно рассчитывает прирост биомассы, предсказывает переход растениями на следующую фенологическую фазу развития и прогнозирует урожай.
В качестве примера, на рисунке 4.1 приведена кривая роста растений озимой пшеницы в течение вегетационного сезона 2015-2016 гг., выдаваемая настроенной моделью CERES-Wheat. Видно, что точки, соответствующие мониторинговым наблюдениям, расположены достаточно близко от кривой.
Коэффициент яровизации (P1V) показывает число дней с оптимальной температурой, необходимой для завершения яровизации. Для яровых сортов пшеницы значения данного коэффициента варьируют от 1 до 4, что указывает на то, что яровизация им не нужна. Полученное нами значение P1V = -90 несколько меньше того, которое рекомендуется брать по умолчанию для сортов, выращиваемых в Восточной Европе. Однако оно превышает значение P1V = 30, которое характерно для сортов озимой пшеницы, выращиваемых в условиях умеренного климата Великобритании [Bannayan., Crout., Hoogenboom., 2003]. В целом P1V оказывает существенное влияние на дату цветения: изменение этого параметра на 1 день приводит к смещению даты цветения на период от 3 дней [Application and evaluation … , 2008].
Коэффициент фотопериода (P1D) показывает уменьшение морфометрических характеристик развития растений (в %) при сокращении фотопериода на 10 ч по сравнению с оптимальным, который условно принят за 20 ч. Для озимой пшеницы Годвин с соавторами [A user s guide … , 1989] предлагают принимать значение коэффициента P1D равным 50% для сортов, выращиваемых на равнинных территориях Северной Америки, 60% – для Западной Европы и 70% – для Восточной Европы. Для сортов озимой пшеницы, выращиваемой в условиях умеренного климата Великобритании [Bannayan., Crout., Hoogenboom., 2003] коэффициент Р1D составляет 92–93%. Сорт Звезда, линия 1, районированный для условий Московской области, где в летний период световой день очень длинный за счет более северного расположения, показал еще более высокое значение P1D, то есть этот сорт оказался наиболее чувствительным к сокращению фотопериода. Изменение P1D на 2 % изменяет дату созревания в среднем на 3 сут. [Application and evaluation … , 2008].
Коэффициент длительности фазы налива зерна (P5) показывает сумму температур, превышающих 0С, от начала налива зерна до его созревания, измеряется в С сутки. Годвин с соавторами [A user s guide … , 1989] предлагают значение коэффициента P5, равное 490 С сутки для сортов озимой пшеницы, выращиваемых на равнинных территориях Северной Америки, 530 С сутки для Западной Европы и 550 С сутки – для Восточной Европы. Для сортов озимой пшеницы, выращиваемых в условиях умеренного климата Великобритании [Bannayan., Crout., Hoogenboom., 2003] коэффициент Р5 составляет от 548 до 553С сутки. Полученное значение для сорта Звезда, линия 1 оказалось очень близким к упомянутым значениям.
Три оставшихся коэффициента характеризуют зерно пшеницы. Коэффициент числа зерен пшеницы G1 равен отношению числа зерен к сухой массе стебля и колоса при цветении, он измеряется в шт./г. Значение коэффициента G1, полученное для сорта Звезда, линия 1 оказалось практически равным значению рекомендованному для сортов, выращиваемых в Европе – 27,5 шт./г. Коэффициент G2 показывает массу (в мг) одного зерна при оптимальных условиях. Для озимой пшеницы Годвин с соавторами [A user s guide … , 1989] предлагают значение коэффициента G2 равное 40 мг, для равнинных территорий Северной Америки и для Западной Европы и 50 мг для Восточной Европы. Полученная нами оценка совпала с последними. Коэффициент G3 показывает сухую массу стебля и колоса при созревании в г. Полученное нами значение (0,5 г) значительно меньше тех, которые были предложены в качестве оптимальных для пшеницы [A user s guide … , 1989] – 1,5–2,9 г. Однако следует принимать во внимание, что сорт Звезда был получен в результате гибридизации пшеницы и пырея, поэтому для него вполне вероятны значения коэффициентов, не характерные для большинства сортов пшеницы. Не стоит забывать и о том, что сортовые коэффициенты в системе DSSAT, как и в любой модели, носят условный характер и часто не подлежат прямой интерпретации [The DSSAT … , 2003].
Коэффициент PHINT, называемый также филохроном, который измеряется в С сутки и показывает сумму температур, требуемую для последовательного появления листьев на главном стебле и на побегах, оказался равным 95 С сутки. Это значение совпало со значением, которое было определено для озимой пшеницы в Европе [A user s guide … , 1989].
В целом полученные коэффициенты показали, что условия выращивания сорта в Московской области менее благоприятны по сравнению с условиями в Восточной Европе и Великобритании.
Сравнительный анализ информативности вегетационных индексов для оценки биомассы
Для сравнительного анализа информативности использования широко применяемых вегетационных индексов (см. табл. 2.3) для анализа пространственной изменчивости параметров биомассы был проведен анализ снимков, полученных с помощью БПЛА (рис.2.9 А и Б) в видимом и инфракрасном диапазоне от 9 июня 2017 г. Были исследованы высота растений, густота стеблестоя и проективное покрытие, измеренные 9 и -Ill июня 2017 г., соответственно, в фазу выхода в трубку и цветение. Для фазы цветения также изучались общая наземная биомасса, а также ее составляющие.
Для всех рассмотренных случаев значения коэффициентов корреляции Пирсона и Спирмена оказались близкими, при этом коэффициенты корреляции Спирмена оказалось несколько выше по модулю, что свидетельствует о нелинейнности описываемых связей. В таблицах 6.1 и 6.2 приведены соответствующие коэффициенты корреляции Спирмена, отличные от нуля. Помимо вегетационных индексов в таблицы включены значения отражения в каналах. Для инфракрасного снимка они обозначены, соответственно, NIR – инфракрасный, GREEN – зеленый, BLUE – голубой; для снимка в видимом диапазоне: R – красный, G – зеленый, B- голубой.
Значимая корреляция для высоты растений в фазу выхода в трубку отмечается только с вегетационными индексами со снимка RGB, вычисляемыми как разность значений отражения в красном и зеленом каналах. Максимальное значение наблюдается с индексом VARI - 0,63, то есть по снимку можно предсказать практически 40% от варьирования высоты растений пшеницы.
Для высоты растений от 29 июня зависимости с вегетационными индексами выражены сильнее, это связано, по-видимому с тем, что чем ближе к урожаю, тем сильнее проявляется разница в развитии биомассы, то есть по мере развития растений дифференциация по высоте не выравнивается, а усиливается.
Максимальное значение коэффициента корреляции, полученное для высоты растений пшеницы, составило – 0,78, то есть по снимку можно предсказать 61% от варьирования высоты растений пшеницы на начало фазы созревания. Для снимка RGB коэффициенты корреляции оказались выше, чем для инфракрасного снимка NIRGB.
Максимальное значение коэффициента корреляции, полученное для густоты стеблестоя растений пшеницы, составило – 0,68, то есть по снимку можно предсказать 46% от варьирования этого показателя. Густота стеблестоя одинаково хорошо коррелирует с обоими снимками, однако значения коэффициентов корреляции получились несколько выше для снимка NIRGB.
Максимальное значение коэффициента корреляции, полученное для проективного покрытия посевов растений пшеницы в фазу выхода в трубку составило – 0,53, то есть по снимку можно предсказать до 28%. Проективное покрытие посевов от 9 июня не имеет корреляционных зависимостей с вегетационными индексами, рассчитанными по снимку в RGB-спектре.
Для проективного покрытия посевов от 29 июня не оказалось ни одного значимого коэффициента корреляции, поэтому данная графа не была включена в таблицу 6.1. Это связано скорее всего с тем, что выбранная методика определения проективного покрытия посевов привела к большим неточностям во вторую фазу наблюдения.
В целом для сухой наземной биомассы и ее составляющих коэффициенты корреляции оказались выше, чем для высоты растений, густоты стеблестоя и проективного покрытия посевов. Достаточно высокие значения были получены как для снимка в видимом свете, так и для снимка в инфракрасном диапазоне.
Наибольшие коэффициенты корреляции были отмечены для колосьев, они выше, чем для других частей биомассы. Максимальное значение коэффициента корреляции, полученное для наземной биомассы, составило 0,82 (процент объясненного варьирования составил R2 = 67%), для колосьев -0,85 (R 2 = 72%), для стеблей - 0, 80(R 2 = 64%), для листьев – 0,71(R 2 = 50%).
Анализ таблиц 6.1 и 6.2 показал, что в целом для предсказания наземной биомассы озимой пшеницы индекс NDVI не всегда дает лучшие результаты по сравнению с остальными вегетационными индексами. Например, в данном исследовании во всех случаях индекс ENDVI показал более высокие коэффициенты корреляции по сравнению с индексом NDVI. Однако оба индекса DVI и GDVI были во всех случаях лучше по сравнению с указанными двумя индексами. Среди вегетационных индексов для видимого диапазона лучшие результаты показали индексы VARI и TGI. Индексы GNDVI и GSAVI показали или отсутствие, или низкие коэффициенты корреляции со всеми изученными параметрами биомассы.
Сравнительный анализ информативности основных вегетационных индексов, рассчитанных по данным дистанционного зондирования видимого и инфракрасного диапазона, полученных с БПЛА, для характеристики временного и пространственного разнообразия посевов озимой пшеницы в условиях Московской области выявил новые возможности их использования для предсказания целого ряда параметров биомассы пшеницы на фазах выхода в трубку и начала созревания.
В результате проведенного исследования были выявлены наиболее информативные для условий изучаемой полевой агроэкосистемы вегетационные индексы, которые позволяют рассчитывать параметры биомассы. Оптимальными для прогнозирования высоты озимой пшеницы оказались вегетационные индексы, рассчитанные по снимку видимого диапазона (TGI и VARI, максимальное значение коэффициентов корреляции -0,78), а для отслеживания проективного покрытия – вегетационные индексы, рассчитанные по инфракрасному снимку (например, ENDVI максимальное значение коэффициентов корреляции - 0,53). Для моделирования густоты стеблестоя, а также сухой массы наземной биомассы и ее частей подходят вегетационные индексы с обоих снимков: наибольшие коэффициенты корреляции были получены для индексов DVI, GDVI, TGI, GLI (максимальные значения коэффициентов корреляции, соответственно, составили 0,80, 0,76, 0,85 0,85). Индексы GNDVI и GSAVI оказались неэффективными для описанного случая, при отсутствии выраженной разреженности посевов, когда варьирование всех параметров наземной биомассы не превышало 25%.