Повышение своевременности и точности прогнозирования урожайности за счет включения данных дистанционного зондирования Земли (ДЗЗ) во временном режиме, приближенном к реальному, использование сложных статистических методов и быстроразвивающихся технологий построения прогностических нейронных сетей могут повысить потенциал эффективного реагирования на эти изменения.
Данные ДЗЗ дают существенные преимущества для оценки урожайности и процесса возделывания сельскохозяйственных полей в течение всего сезона. Это связано с их территориальным охватом, временным и пространственным разрешением, а также доступностью использования этих данных (бесплатно для некоторых продуктов) [8]. Для оперативной и объективной оценки продуктивности больших площадей посевов трудно найти альтернативу спутниковым данным. В мировой практике имеются работы, основанные на данных различных спутниковых датчиков (ETM+, AVHRRи др.), тем не менее для прогнозирования и моделирования урожайности основной фокус направлен на данные спутниковых датчиков с умеренным пространственным разрешением - MODIS. Высокое временное и умеренное пространственное разрешение, а также свободный доступ могут частично объяснить такой интерес к данным MODIS среди исследователей, занимающихся оценкой и прогнозированием зерновых культур [9].
Существует большое количество индексов для оценки продуктивности и мониторинга процессов вегетации сельскохозяйственных культур. В большинстве случаев в их расчет включены отношения двух или более полос в видимой и ближней инфракрасной областях спектра (например, NDVI). Кроме того, существуют индексы, получаемые из интерпретации зависимости температуры подстилающей поверхности и индекса NDVI. Например, поверхностный индекс дефицита воды (WDI). Но бывают случаи, когда невозможно выполнить расчет этого индекса, поскольку температура подстилающей поверхности очень чувствительна к атмосферным воздействиям и облакам, в этом случае эффективнее использование индекса SIWSI(коротковолнового инфракрасного индекса водного стресса), который рассчитывается по данным ближнего инфракрасного участка спектра. В работе [10] приводится подробный обзор индексов вегетации, определяемых с помощью данных дистанционного зондирования.
К настоящему времени наиболее часто рассчитываемым остается нормализованный разностный вегетационный индекс (NDVI), значения которого основаны на контрасте между максимальным поглощением в красной части и максимальным отражением в ближней инфракрасной части электромагнитного спектра и который широко используется для мониторинга посевов и подсчета сельскохозяйственной статистики. Сравнение NDVI, рассчитанного по данным MODIS и NOAA- AVHRR, показало, что временные профили NDVI по многочисленным типам биомов, основанные на данных с аппаратуры MODIS, выполнены с более высокой точностью. Этот индекс также идеально подходит для мониторинга посевов на фрагментированных сельскохозяйственных ландшафтах, когда размер поля близок к размеру пикселя [11].
Агрономы смогут анализировать внутригодовой ход индекса NDVI и его межгодовую изменчивость. Это позволит применять научно обоснованную стратегию при планировании урожая.
Заключение
цифровизация модуль агропромышленный сибирь
Учитывая изменчивость климата и будущие проблемы воздействия изменения климата на сельское хозяйство, изучение и прогнозирование урожайности в масштабе районов и отдельных угодий заслуживает особого внимания.
На базе университетов и институтов СО РАН Томска уже проводится подготовка выпускников с широкими знаниями в области агрономии, сельского хозяйства, охраны окружающей среды, управления природными ресурсами и коммуникационными технологиями и есть все возможности для организации среды непрерывного образования в области цифрового сельского хозяйства.
Особенностью такой системы подготовки кадров в области цифрового сельского хозяйства является составление индивидуальных образовательных программ в зависимости от специфики деятельности, а не только освоение базового набора компетенций из ООП. Так, базовый курс для подготовки исследователей может быть доукомплектован следующими модулями:
Сбор и обработка агрометеорологических данных и данных об агротехническом состоянии почвы.
Интерпретация данных ДЗЗ и БПЛА.
Принципы построения оценочных и прогностических моделей.
ГИС-технологии.
Для опережающей подготовки непосредственно агрономов базовый курс доукомплектовывается следующими модулями:
Сервисные модели в агрономии.
Рис. 1 - Схема кадрового обеспечения АПК Западной Сибири
- Экономически эффективные алгоритмы принятия решения.
Целью представленной программы является персонифицированный подход при подготовке высококвалифицированных кадров, как неотъемлемая часть организации эффективной среды непрерывного образования (рис. 1). Подобный подход к образовательному процессу позволяет подготавливать кадры, ориентированные на решение текущих и будущих задач предприятия в частности и экономики в целом.
Обучающий модуль может быть интересен для специалистов, работающих в области сельского и лесного хозяйства, охраны окружающей среды, управления природными ресурсами и коммуникационными технологиями.
Литература
1. Горбатенко В.П., Ипполитов И.И., Логинов С.В., Поднебесных Н.В., Харюткина Е.В. Роль циркуляционных факторов в потеплении климата Сибири // Вестник Томского государственного университета. 2011. № 346. С. 174-180.
2. Горбатенко В.П., Кижнер Л.И. Экономические аспекты использования агрометеорологических прогнозов // Экономика сельского хозяйства России. 2014. № 4. С. 54-61.
3. Фрумкин Б. Агропродовольственный комплекс - интегральный фактор и драйвер экономического роста // Социально-экономические условия перехода к новой модели экономического роста / рук. авт. кол. Д.Е. Сорокин; под ред. Н.Ю. Ахапкина, Л.В. Никифорова. М.: ИНФРА-М, 2017. С. 110.
4. Шульгина Т.М., Гордов Е.П. [и др.]. Комплекс программ для анализа региональных климатических изменений // Вестник Новосибирского государственного университета. Информационныетехнологии. 2013. Т. 11, № 1. С. 124-131.
5. Дымников В.П., Лыкосов В.Н., Володин Е.М. Проблемы моделирования климата и его последствий: современные проблемы // Вестник РАН. 2012. Т. 82, № 3. С. 227-236.
6. Барашкова Н.К., Кужевская И.В., Носырева О.В. Климатические характеристики режимов устойчивого перехода температуры воздуха через определенные пределы на юге Западной Сибири // Известия Российской академии наук. Сериягеографическая. 2015. № 1. С. 87-97.
7. Gorbatenko V.P., Sevastyanov V.V. [et al.]. Characteristic of the snow cover for the Western Siberia territory // IOP Conference Series: Earth and Environmental Science. 2019. № 232(1). 012003.
8. Maas S.J. Use of remotely-sensed information in agricultural crop growth models // Ecol. Model. 1988. № 41. P. 247-268.
9. Fensholt R, Sandholt I. Evaluation of MODIS and NOAA AVHRR vegetation indices with in situ measurements in a semi-arid environment // Int. J. Remote Sens. 2005. № 26. P. 2561-2594.
10. Garcia Galiano S.G. Assessment of vegetation indexes from remote sensing: theoretical basis // The use of remote sensing and geographic information systems for irrigation management in Southwest Europe / Ed. by M. Erena, A. Lopez- Francos, S. Montesinos and J.-P. Berthoumieu. Options Mediterraneennes: Serie B. Etudes et Recherches. 2012. № 67. P. 65-75.
11. Huete A., Didan K. [et al.]. Overview of the radiometric and biophysical performance of the MODIS vegetation indices // Remote Sens. Environ. 2002. № 83. P. 195-213.
12. GorbatenkoV.P., IppolitovI.I., LoginovS.V., PodnebesnyhN.V., HaryutkinaE.V.Rol' cirkulyacionnyhfaktorovvpotepleniiklimataSibiri // VestnikTomskogogosudarstvennogouniversiteta. 2011. № 346. S. 174-180.
13. GorbatenkoV.P., KizhnerL.I.Ekonomicheskieaspektyispol'zovaniyaagrometeorologicheskihprognozov // Ekonomikasel'skogohozyajstvaRossii. 2014. № 4. S. 54-61.
14. FrumkinB.Agroprodovol'stvennyjkompleks - integral'nyjfaktoridrajverekonomicheskogorosta // Social'no-ekonomicheskieusloviyaperekhodaknovojmodeliekonomicheskogorosta / ruk. avt. kol. D.E. Sorokin; pod red. N.YU. Ahapkina, L.V. Nikiforova. M.: INFRA-M, 2017. S. 110.
15. Shul'gina T.M., Gordov E.P. [i dr.].Kompleksprogrammdlyaanalizaregional'nyhklimaticheskihizmenenij// VestnikNovosibirskogogosudarstvennogouniversiteta. Informacionnyetekhnologii. 2013. T. 11, № 1. S. 124-131.
16. Dymnikov V.P., Lykosov V.N., Volodin E.M.Problemy mod- elirovaniyaklimatai ego posledstvij: sovremennyeproblemy// Vestnik RAN. 2012. T. 82, № 3. S. 227-236.
17. BarashkovaN.K., KuzhevskayaI.V., NosyrevaO.V.Kli- maticheskieharakteristikirezhimovustojchivogoperekhodatemperaturyvozduhacherezopredelennyepredelynayugeZa-padnojSibiri // IzvestiyaRossijskojakademiinauk. Seriyageograficheskaya. 2015. № 1. S. 87-97.
18. Gorbatenko V.P., Sevastyanov V.V. [et al.]. Characteristic of the snow cover for the Western Siberia territory // IOP Conference Series: Earth and Environmental Science. 2019. № 232(1). 012003.
19. Maas S.J. Use of remotely-sensed information in agricultural crop growth models // Ecol. Model. 1988. № 41. P. 247-268.
20. Fensholt R., Sandholt I. Evaluation of MODIS and NOAA AVHRR vegetation indices with in situ measurements in a semi-arid environment // Int. J. Remote Sens. 2005. № 26. P. 2561-2594.
21. Garcia Galiano S.G. Assessment of vegetation indexes from remote sensing: theoretical basis // The use of remote sensing and geographic information systems for irrigation management in Southwest Europe / Ed. by M. Erena, A. Lopez-Francos, S. Montesinos and J.-P. Berthoumieu. Options Mediterraneennes: Serie B. Etudes et Recherches. 2012. № 67. P. 65-75.
22. Huete A., Didan K. [et al.]. Overview of the radiometric and biophysical performance of the MODIS vegetation indices / / Remote Sens. Environ. 2002. № 83. P. 195-213.