Математическая модель неоднородности поля - новые технологии


В основу рассматриваемого альтернативного варианта положены понятия зоны продуктивности поля.


Зоны продуктивности — это участки поля с разными показателями урожайности.
Участок, который на протяжении нескольких сезонов даёт самую высокую урожайность — зона высокой продуктивности, самую низкую урожайность — зона низкой продуктивности. Между ними — зона средней продуктивности.


Чтобы составить карту зон продуктивности на поле, нужно собрать данные урожайности на этом поле за последние несколько лет и сопоставить их: в зонах высокой продуктивности вынос питательных элементов всегда больше, а в зонах низкой продуктивности — меньше. Опираясь на эти различия, можно определить необходимую дозу фосфора и калия для каждого участка поля - для их дифференцированного внесения.


Если реальных данных урожайности нет - выделить зоны продуктивности и рассчитать нормы удобрений можно математическим путем.

В этом случае, расчетный алгоритм за основу возьмет культуру посеянную на поле за последние несколько лет и на основе спутниковых снимков определит зоны продуктивности на поле, затем автоматически рассчитает вынос питательных элементов из почвы, применительно к указанной культуре для каждой зоны и определит нормы удобрений для дифференцированного внесения.


Таким образом, зоны продуктивности поля выделяются на основе анализа космоснимков поля за несколько предшествующих лет и расчета вегетационного индекса – с моделированием по ним многолетней относительной урожайности.
Алгоритм расчета расчёта относительной урожайности на поле опирается на закономерности полученные в процессе большого количества опытов, связи между фактическими показателями урожайности и вегетационными индексами на разных стадиях развития растений.


Об индексе NDVI более развернуто и подробно - для понимания возможностей новых цифровых технологий и моделирования неоднородности


Вегетационный индекс — это числовой показатель, описывающий состояние растительности по тому, как она отражает и поглощает световые волны разной длины. Всего существует около трех десятков вегетационных индексов. Самый популярный из них индекс NDVI — числовой показатель, по которому можно судить о количестве и качестве растительности на участке поля во время вегетации, т.е. периода развития растения от начала роста до уборки урожая.


NDVI (Normalized difference vegetation index) - нормализованный вегетационный индекс.
«Нормализованным» индекс стал в 1973 году, когда группа американских учёных из Техасса стала считать не просто соотношение инфракрасного света к красному, а отношение их разницы к сумме. Это позволило привести все значения индекса к диапазону от -1 до 1, то есть «нормализовать» для более лёгкого сравнения между собой.
Значения NDVI от -1 до 0 это объекты неживой природы и инфраструктуры — снег, вода, песок, камни, дома, дороги и т. п.
Значения для растений лежат в диапазоне от 0 до +1.
Для визуальной оценки применяется дискретная цветовая шкала:
серый цвет означает состояние растений ниже критического (ниже 0,25), красный-желтый-зеленый означают, соответственно плохое, среднее или отличное развитие биомассы.


В течение вегетации показатель растет, достигает своего пика около 0,80-0,85 (у зерновых это момент колошения) и затем снижается.
Снижение индекса в конце вегетации отображает процесс созревания сельскохозяйственных культур.


Если использовать космоснимки с хорошим разрешением, можно получить индексы NDVI с точностью удовлетворяющей практическому применению на уровне отдельного агрохозяйства.


В настоящее время общедоступными и бесплатными являются космоснимки со спутников Sentinel-1 и Sentinel-2 , программы наблюдения и мониторинга Земли Copernicus, запущенной Европейской комиссией.



Так, данные с Sentinel-2 для расчета NDVI имеют разрешение 10 метров — то есть 1 пиксель это 10 на 10 метров. Индексы, которые используются дополнительные световые каналы (в основном крайние красные), имеют разрешение 20 метров — то есть 1 пиксель это 20 на 20 метров.
Данные эти обновляются каждые 3-5 дней.
Для сравнения: MODIS - разрешение 250 м/пиксель, Landsat - разрешение 30 м/пиксель;

Индекс вычисляется по тому, как растение отражает и поглощает разные световые волны. Здоровое растение активно поглощает красный свет и отражает ближний инфракрасный, а больное - ровно наоборот.



Солнечный свет падает на растения, световые волны одной длины поглощаются, другой длины отражаются и спутник улавливает все эти данные с помощью своих датчиков.


Индекс NDVI – как математический расчетный показатель, можно использовать для моделирования относительной урожайности поля.
И на основании этой информации делать карты для дифференцированного внесения фосфорных и калийных удобрений.


Однако, надо понимать, что NDVI - это индикатор состояния растения, своего рода показатель здоровья растений, но который ничего не говорит о причинах той или иной ситуации. Это скорее подсказка руководителю хозяйства и агроному о том, что происходит на поле.



Рассмотрим сказанное на практическом примере - на конкретном поле одного из агрохозяйств


Имеем поле с многолетними травами в Бегуницком сельском поселении Волосовского района Ленинградской области.
На космоснимке спутника Sentinel-2 границы поля определены с 5-метровой точностью и пространственным разрешением 10 метров.
Середина лета и по состоянию растительности сверху видно, что поле очень неоднородно - есть большие участки с угнетенной растительностью.




Посмотрим, как менялся вегетационный индекс этого поля в период вегетации трав в 2020 году.




Математическая модель относительной урожайности поля, рассчитанная по вегетационному индексу за пять лет, будет выглядеть так:



Фактически имеем математическую модель продуктивности поля - которая может дать очень много полезной информации для агронома.

Так, чётко видим три зоны:
зона высокой продуктивности - фиолетовый цвет, зона средней продуктивности - розовый цвет и зона низкой продуктивности - бледно-розовый цвет.
Модель позволяет рассчитать для трех зон нужное количество азотных и фосфорно-калийных удобрений для дифференцированного внесения.



Как это видно на модели продуктивности, поле очень неоднородно и этому есть какие-то причины...
С этими причинами надо предметно разбираться и неоднородности убирать.

Перейдем в раздел Геоинформационного анализа неоднородности поля.