Разработка математической модели и программных средств оценки урожайности зерновых культур в условиях Западной Сибири тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Брыксин, Виталий Михайлович

• Брыксин, Виталий Михайлович
• кандидат технических наук
• 2009

Оглавление диссертации кандидат технических наук Брыксин, Виталий Михайлович

ВВЕДЕНИЕ.

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ ОЦЕНКИ УРОЖАЙНОСТИ ЗЕРНОВЫХ КУЛЬТУР С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ И ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ.

1.1. Предпосылки использования математического моделирования и данных ДЗЗ при оценке урожайности зерновых культур в условиях Западной Сибири.

1.2. Обзор методов, моделей и программных средств прогноза урожайности зерновых культур и анализ их применимости на территории Западной Сибири.

1.2.1. Эмпирические модели.

1.2.2. Математико-статистические модели.

1.2.3. Динамические имитационные модели.

1.2.4. Вопросы использования данных дистанционного зондирования Земли (ДЗЗ) в имитационных моделях.

1.2.5. Обоснование выбора вычислительного комплекса EPIC.

1.3. Разработка технологии оценки урожайности зерновых культур с использованием математических моделей и данных дистанционного зондирования Земли.

ГЛАВА 2. МОДИФИКАЦИЯ МОДЕЛИ БИОПРОДУКТИВНОСТИ EPIC ДЛЯ УСЛОВИЙ ЗАПАДНОЙ СИБИРИ.

2.1. Блок радиации.

2.1.1. Моделирование коротковолновой радиации.

2.1.2. Моделирование длинноволновой радиации.

2.2. Блок теплового режима почвы.

2.2.1. Расчет температуры поверхности почвы.

2.2.2. Расчет температуры профиля почвы.

2.3. Суточная динамика температуры.

2.4. Использование данных ДЗЗ при оценке урожайности зерновых культур в условиях Западной Сибири.

ГЛАВА 3. РАЗРАБОТКА И ПРИМЕНЕНИЕ ПРОГРАММНОГО КОМПЛЕКСА ДЛЯ ОЦЕНКИ УРОЖАЙНОСТИ ЗЕРНОВЫХ КУЛЬТУР В УСЛОВИЯХ ЗАПАДНОЙ СИБИРИ НА ОСНОВЕ МОДИФИЦИРОВАННОЙ МОДЕЛИ EPIC И ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ

ЗЕМЛИ.

3.1. Комплексный банк данных хранения и обработки экспериментальных измерений.

3.2. Расчетный программный блок.

3.3. Прогнозирование урожайности зерновых культур на территории отдельных регионов Западной Сибири в 2004-2006 гг.

Введение диссертации (часть автореферата) на тему «Разработка математической модели и программных средств оценки урожайности зерновых культур в условиях Западной Сибири»

Актуальность исследования. Зерновая отрасль является важнейшей составной частью продовольственного комплекса страны. Около 60% агропромышленного производства непосредственно связано с зерновыми ресурсами. Поэтому зерновое производство не только определяет основу продовольственной безопасности страны, но и является системообразующим для остальных секторов сельского хозяйства, и, прежде всего продукции животноводства.

В Западной Сибири по данным Росстата [1] пашня занимает 14.9 млн.га (19.5% от общероссийской). Валовые сборы зерновых, в зависимости от года, составляют 11—15% от общероссийских, 90-95% из которых относятся к продовольственным сортам. Многие сельскохозяйственные регионы расположены в зоне рискового земледелия. Погодные условия существенным образом влияют на урожайность зерновых культур, и валовые сборы в благоприятные годы могут существенно превышать сборы в неблагоприятные годы.

Возникает потребность прогноза урожайности зерновых культур, соответственно оценки валовых сборов и, как следствие, площадей посевов. Решение задачи прогноза урожайности зерновых культур требует привлечения методов математического моделирования, современных информационных технологий и экспертных оценок. В связи с обширностью сельскохозяйственных угодий в Западной Сибири становится актуальной задача мониторинга с использованием данных космосъемки с метеорологических спутников.

Основу методического и информационного обеспечения работ по оценке урожайности зерновых культур должны составлять модели биопродуктивности сельскохозяйственных культур, комплекс математических моделей прогнозирования урожайности.

Существует два основных подхода к оценке продуктивности зерновых культур. Первый, - использование статистических и имитационных моделей различного уровня детализации, основывающихся на экспериментально определенных зависимостях роста и развития культур в зависимости от наборов метеорологических данных: температуры и влажность воздуха и почвы, осадков, уровня фотосинтетически активной радиации, даты сева, содержания питательных элементов в почве и др. В настоящее время известно достаточно много различных моделей, которые можно разделить на

- физико-статистические или балансовые, в основе которых лежат регрессионные зависимости (Тооминг Х.Г. [2-5], Шашко Д.И. [6-8], Дави-тая Ф.Ф. [9], de Wit С.Т. [10] и др.);

- математико-статистические или динамико-регрессионные, основывающиеся, как правило, на эмпирических зависимостях нелинейного типа (Бонда-ренко Н.Ф. [11-14], Константинов А.Р. [15-16], Уланова Е.С. [17], DesaiP. [18] и др.);

- комплексные динамические имитационные модели (Бехеле З.Н. , Молдау Х.Л., Росс Ю.К. [19], Сиротенко О.Д. [20], Полуэктов Р.А. [21-26], Williams J.R. [27-31], Supit I. [32], van Diepen C.A. [33-34] и др.).

Второй подход к оценке продуктивности зерновых культур основан на использовании регрессионных зависимостей между ожидаемой продуктивностью зерновых культур и различными спутниковыми спектральными параметрами (Барталёв С.А. [35-36], Коробов P.M. [37], Tucker C.J. [3&-43], Hatfield J.L. [44-45] и др.). Как правило, рассматривается зависимость характеристик зерновых культур (листовой индекс, урожайность и др.) от спутниковых вегетационных индексов (нормализованный вегетационный индекс NDVI и др.).

В последнее время появились многочисленные работы, направленные на улучшение имеющихся моделей путем включения в них спутниковых данных (Миронов B.JL, Евтюшкин А.В. [46-52], Maas SJ. [53-57], Doraiswamy Р.С. [58-59] и др.). Перспективной для использования является модель продуктивности сельскохозяйственных культур EPIC (Erosion-Productivity Impact Calculator), которая разработана Сельскохозяйственной научно-исследовательской службой Департамента Сельского хозяйства Соединенных Штатов (Soil and Water Research Laboratory USDA). Следует отметить, что в настоящее время в условиях России отсутствуют работоспособные технологии прогноза урожайности зерновых культур, интегрированные в сельскохозяйственное производство и основанные на математических моделях и космической информации.

Таким образом, проблема осуществления заблаговременного прогноза по адекватной математической модели с использованием данных космосъемки является актуальной.

Цель работы. Разработка математической модели и алгоритмов, предназначенных для прогнозной оценки урожайности зерновых культур, с использованием спутниковых данных в условиях Западной Сибири.

Для достижения поставленной цели в диссертационной работе решаются следующие задачи:

1. Выбор и анализ динамической модели, описывающей закономерности процессов роста и развития зерновых культур для оценки урожайности и валовых сборов зерна.

2. Разработка отдельных блоков модели, содержащих описание основных процессов, протекающих в атмосфере, приземном воздухе и почве с учетом комплекса наземной и космической информации.

3. Разработка базы данных, позволяющей хранить и обрабатывать агрометеорологическую информацию по различным культурам и климатическим зонам, предоставляющей возможности выборки данных, отвечающих определенным критериям.

4. Проведение параметрической идентификации модели по наземным данным и космическим снимкам.

5. Реализация полученной технологии в виде комплекса программных средств и апробация модели в процессе прогноза урожайности в конкретных условиях Западной Сибири.

Методы исследования. Для решения поставленных задач использовались методы системного анализа, математического и имитационного моделирования, вычислительной математики и математической статистики, теории проектирования баз данных, технологии обработки космических данных.

Научная новизна:

1. Разработаны математические модели блоков коротковолновой радиации и температурного режима почвы с определением температуры на поверхности почвы с учетом приходящей солнечной радиации, и модифицирована структура существующей динамической модели продуктивности сельскохозяйственных культур EPIC с учетом имеющейся в России агрометеорологической информации.

2. Разработаны и обоснованы методики использования неполных наборов метеоданных в качестве входных данных усовершенствованной имитационной модели на основе EPIC, предложены подходы к прогнозной оценке и восстановлению суточных значений параметров, прямые измерения которых недоступны.

3. Разработан программный комплекс для проведения расчетов по оперативной оценке урожайности зерновых культур на основе модели биопродуктивности и данных космического мониторинга.

Обоснованность и достоверность научных положений и выводов, содержащихся в диссертационном исследовании, обеспечивается использованием современной теории, апробированных методов и средств моделирования сложных агроэкологических систем, технологий вычислительных экспериментов, соответствием фактических значений агрометеорологических показателей расчетным, подтверждением на практике результатов прогноза урожайности зерновых культур на территории Тюменской, Новосибирской областей и в Алтайском крае в период 2004-2006 гг.

Теоретическая и практическая значимость. Разработанная и адаптированная к условиям Западной Сибири модель продукционного процесса сельскохозяйственных культур на основе имитационной динамической модели продуктивности EPIC способствует дальнейшему развитию и применению методов математического моделирования и современных информационных технологий для установления количественных зависимостей формирования урожая от агрометеорологических факторов, а также в области упреждающего прогнозирования урожайности зерновых культур.

Представленные в диссертации материалы могут быть использованы научными учреждениями сельскохозяйственного профиля для проведения теоретических и прикладных исследований; высшими учебными заведениями для обучения студентов и аспирантов аграрных, почвенных, биологических и экологических специальностей; опытными хозяйствами, занимающимися внедрением информационных технологий, а также организациями, осуществляющими агроэкологический мониторинг.

Назащиту выносятся:

1. Математические модели блоков солнечной радиации и температурного режима почвы в модели биопродуктивности EPIC на основе фактически измеряемых метеопараметров.

2. Математическая модель коррекции по космоснимкам листового индекса и биомассы в динамической имитационной модели EPIC.

3. Комплекс инструментальных программных средств для оперативной оценки урожайности зерновых культур на основе модели биопродуктивности и данных космического мониторинга.

4. Результаты применения созданных математических моделей и программных средств для прогнозирования урожайности в зерновых провинциях Западной Сибири.

Апробация работы. Основные результаты работы представлены автором на следующих научных конференциях:

Меоюдународные: международная конференция студентов и аспирантов «Экономика. Бизнес. Информационные технологии» (Барнаул, 2001); международная научно-практическая конференция «Современные проблемы, тенденции и перспективы управления региональными социально-экономическими системами» (Усть-Каменогорск, 2002); международная научно-практическая конференция «Современный агробизнесе: состояние и 8 перспективы развития» (Барнаул, 2003); международный научный Конгресс «ГЕО-Сибирь-2005» (Новосибирск, 2005); международный симпозиум по дистанционному зондированию окружающей среды «Global Monitoring for Sus-tainability and Security» (Санкт-Петербург, 2005); VI Международный симпозиум «Контроль и реабилитация окружающей среды» (Томск, 2008).

Всероссийские: всероссийская конференция «Математические методы в механике природных сред и экологии» (Барнаул, 2002); III и IV Научно-практические конференции «Обратные задачи и информационные технологии рационального природопользования» (Ханты-Мансийск, 2006, 2008); IV Всероссийская открытая конференция «Современные проблемы дистанционного зондирования- Земли из космоса» (Москва, 2006); Всероссийская научно-техническая конференция «Роль и место дистанционного зондирования Земли в инфраструктуре пространственных данных» (Екатеринбург, 2007).

Межрегиональные и региональные: IV Сибирский конгресс по прикладной математике ИНПРИМ-2000 «Региональные проблемы развития Сибири и Дальнего востока» (Новосибирск, 2000 г.) и др.

Реализация и внедрение результатов работы. Основные результаты реализованы и внедрены в рамках работ по выполнению госбюджетных программ:

- госконтракта на НИР №38/04 «Космический мониторинг состояния сельскохозяйственных посевов, прогноз урожайности и валовых сборов зерновых культур в Тюменской области» между ЮНИИИТ и Департаментом АПК администрации Тюменской области, 2004 г.;

- госконтракта ЮНИИИТ на НИР «Развитие систем оперативного мониторинга и предсказания природных и техногенных процессов в Ханты-мансийском автономном округе - Югре на основе данных дистанционного зондирования земли из космоса, наземных измерений, геоинформационных систем и имитационного математического моделирования». Номер гос. регистрации НИР 0120.0 508578, 2005-2008 гг.

Публикации. По теме диссертационной работы автором опубликовано более 30 работ, перечень которых приведен в приложении 1, в том числе в одном издании, рекомендованном ВАК для публикации результатов диссертационных работ. Результаты исследования отражены также в отчетах о НИР.

Структура и объем работы. Диссертация состоит из введения, трех глав, заключения, 2-х приложений и списка используемых источников и литературы (175 наименований). Основной материал изложен на 152 страницах, включая 13 таблиц, 59 рисунков.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Брыксин, Виталий Михайлович

Основные результаты диссертации состоят в следующем:

1. Модифицированы математические модели следующих блоков EPIC:

- блока входных данных по солнечной радиации путем замены экспериментально измеренных значений приходящей коротковолновой фотосинтетически активной солнечной радиации на расчетные. Расчет производился через относительную влажность воздуха, ежедневно измеряемую на всех метеостанциях Росгидромета;

- блока теплового режима почвы. Расчет максимальной температуры почвы проводится через суммарную коротковолновую солнечную радиацию, а минимальной — через эффективное излучение атмосферы;

- блока расчета листового индекса. Корректировка листового индекса по спутниковым изображениям проводится 3-4 раза за вегетационный период до достижения LAI максимального значения.

2. Разработан программный комплекс обработки экспериментальных данных на основе численных методов, позволяющий настраивать модель биопродуктивности для различных агроклиматических зон по многолетним рядам метеонаблюдений.

3. Показано, что разработанный метод прогнозирования урожайности зерновых культур, позволяет определять в течение вегетационного периода основные параметры биопродуктивности зерновых культур: биомассу, листовой индекс, высоту растения и вес корня, давать заблаговременную (за месяц до уборки) оценку урожайности с точностью до 1 ц/га и определять сроки начала уборки зерновых культур, используя модель биопродуктивности, ежедневные данные метеостанций и данные космического мониторинга.

Разработанная технология прогноза урожайности зерновых культур реализована в виде комплекса программных средств и апробирована в условиях зерновых провинций Западной Сибири.

ЗАКЛЮЧЕНИЕ

Список литературы диссертационного исследования кандидат технических наук Брыксин, Виталий Михайлович, 2009 год

1. Центральная база статистических данных Электронный ресурс. // Федеральная служба государственной статистики. М. [1999-]. - Электрон, дан. - URL: http://www.gks.ru/dbscripts/Cbsd/DBInet.cgi (дата обращения: 5.02.2009).

2. Тооминг Х.Г. Солнечная радиация и формирование урожая. JI: Гидрометеоиз-дат, 1977. 200 с.

3. Тооминг Х.Г., Каринг П.Х. Агроклиматическая оценка потенциального урожая многолетних трав и недобора урожая, обусловленного дефицитом влаги // Метеорология и гидрология. 1977. № 2. С. 81-86.

4. Тооминг Х.Г., Кыйва П.Х. Агроклиматическая оценка потенциального и действительно возможного урожая картофеля // Метеорология и гидрология. 1979. №7. С. 105-110.

5. Тооминг Х.Г. Экологические принципы максимальной продуктивности посевов. Л.: Гидрометеоиздат, 1984. 264 с.

6. Шашко Д.И. Агроклиматическое районирование СССР. М.: Колос, 1967. 335с.

7. Шашко Д.И. Методы бонитировки и экономической оценки земли (на основе учета агроклиматических условий) // Агроклиматические ресурсы природных зон СССР и их использование. Л.: Гидрометеоиздат, 1970. С. 59-79.

8. Шашко Д.И. Агроклиматические ресурсы СССР. Л.: Гидрометеоиздат, 1985. 247 с.

9. Давитая Ф.Ф. Прогноз обеспеченности теплом и некоторые проблемы сезонного развития природы. Л.: Гидрометеоиздат, 1964. 131 с.10. de Wit С. Т. Transpiration and crop yields // Versl Lrandbouw Onderz (Agr. Res. Rep.) 64.6. Gravenhage, 1958. P. 88

10. Бондаренко H. Ф., Жуковский E.E. Интегральные агроклиматические показатели при программировании урожаев // Научные основы программирования урожаев сельскохозяйственных культур. М.: Колос, 1978. С. 46-53.

11. Бондаренко Н.Ф., Жуковский Е.Е., Мушкин И.Г., Нерпин С.В., Полуэктов Р. А., У сков И.Б. Моделирование продуктивности агроэкосистем. Л.: Гидрометеоиздат, 1982. 264 с.

12. Бондаренко Н.Ф., Жуковский Е.Е., Кащенко А.С. и др. Высокие урожаи по программе. Л.: Лениздат, 1986.

13. Бондаренко Н.Ф., Швытов И.А. Моделирование процесса формирования урожая озимой ржи (учебное пособие). Л., 1987. 16 с.

14. Константинов А.Р. Погода, почва и урожай озимой пшеницы. JL: Гидромет-издат, 1978.

15. Константинов А.Р., Зоидзе Е.К., Смирнова С И. Почвенноклиматические ресурсы и размещение зерновых культур. JL: Гидрометеоиздат, 1981. 278 с.

16. Уланова Е.С. Агрометеорологические условия и урожайность озимой пшеницы. JL: Гидрометиздат, 1975.

17. Desai P. Weather and grain yields in the Soviet Union // International Food Policy Research Institute. Res. Rep. 1986. N. 54.

18. Бихеле 3. H., Молдау X. А., Росс Ю. К. Математическое моделирование транспирации и фотосинтеза растений при недостатке почвенной влаги: JL: Гидрометиоиздат, 1980. 223 с.

19. Сиротенко О.Д. Математическое моделирование водно-теплового режима и продуктивности агроэкосистемы. JI Гидрометеоиздат, 1981. 167 с.

20. Полуэктов Р. А. Имитационные модели продуктивности агроэкосистем. // Теоретические основы и количественные методы программирования урожаев (Тр. АФИ). Л., 1979. С. 14-23.

21. Полуэктов Р. А., Смысловский А. И., Финтушал С. М. «СИМОНА» система имитационного моделирования и язык управления1 моделями. // Теоретические основы и количественные методы программирования урожаев. (Тр. АФИ). Л., 1979. С. 101-112.

22. Полуэктов Р.А., Вол И.А. и др. Имитационная модель развития агроценоза (препринт). М.: ВНИИСИ, 1984. 83 с.

23. Полуэктов Р. А. Динамическая модель продукционного процесса как основа построения ресурсосберегающих технологий в земледелии.* // Использование методологии системного анализа при управлении агроэкосистемами. (Тр. АФИ). Л., 1987. С. 31-43.

24. Полуэктов Р.А. Динамические модели агроэкосистемы. Л.: Гидрометеоиздат, 1991. 312 с.

25. Полуэктов Р.А., Смоляр Э.И., Терлеев В.В., Топаж А.Г. Моделирование продукционного процесса сельскохозяйственных культур. СПб.: Изд-во С.-Петерб. ун-та, 2006. 396 с.

26. Williams J.R., Dyke Р.Т., Jones С.А. EPIC: a model for assessing the effects of erosion on soil productivity // Analysis of Ecological Systems: State-of-the-Art in

27. Ecological Modeling. Eds. W.K. Laurenroth et al. Elsevier, Amsterdam, 1983. P. 553-572.

28. Jones, C.A., C.V. Cole, A.N. Sharpley, and J.R. Williams. A simplified soil and plantphosphorus model // Documentation. Soil Sci. Soc. Am. J. 48(4), 1984. P.800-805.

29. Williams J. R. The EPIC Model. U. S. Department of Agriculture, Agrikultural Research Service, Grassland, Soil and Water Research Laboratory, Temple, 1984.

30. Williams J.R., Jones C.A., Dyke P.T. A modeling approach to determining therela-tionship between erosion and soil productivity // Trans. ASAE 27, 1984. P. 129144.

31. Williams J.R. The Erosion-Productivity Impact Calculator (EPIC). Technical Reference. US Department of Agriculture. 1997

32. Boogaard H.L., van Diepen C.A., J.M. Cabrera, van Laar H.H. User's guide for the WOFOST 7.1 crop growth simulation model and WOFOST Control Center 1.5 // DLO-Winand Staring Centre, Wageningen, Technical Document 52, 1998. 144 p.

33. Hijmans R.J., Guiking-Lens I.M., van Diepen C.A. WOFOST 6.0: User's guide for the WOFOST 6.0 crop growth simulation model. Wageningen, DLO Winand Staring Centre, Technical Document 12. 1994. 146 p.

34. Барталев C.A., Лупян E.A., Нейштадг И.А., Савин И.Ю. Классификация некоторых типов сельскохозяйственных посевов в южных регионах России по спутниковым данным MODIS // Исследование Земли из космоса, 2006. № 3. С. 68-75.

35. Коробов P.M., Войнов О.А., Райлян В.Я. Оценка информативности спектральных характеристик посевов озимой пшеницы для прогноза их биологической продуктивности//Исследования Земли из космоса. 1991. №1. С. 26-37.

36. Tucker С. J., Red and photographic infrared linear combinations for monitoring vegetation // Remote Sensing of Environment. 1979. v. 8. P. 127-150.

37. Tucker C. J. Remote sensing of leaf water content in the near-infrared Remote // Sensing of Environment. 1980. v. 10. P. 23-32.

38. Tucker C.J., Elgin J.H., McMurtrey J.E. Temporal Spectral Measurements of Corn and Soybean Crops // Photogrammetric Engineering and Remote Sensing.1979. 45(5). P. 643-653.

39. Tucker C.J., Elgin J.H., McMurtrey J.E., Fan C.J. Monitoring Corn and Soybean Crop development with Hand-held Radiometer Spectral Data // Remote Sensing of Environment. 1980. 8(3). P. 237-248.

40. Tucker C.J., Elgin J.H., McMurtrey J.E. Relationship of Crop Radiances to Alfalfa Agronomic Values // International Journal of Remote Sensing. 1980. 1(1). P. 69-76.

41. Tucker C.J., Holben B.N., Elgin J.H., McMurtrey J.E. Relationship of Spectral Data to Grain Yield Variation // Photogrammetric Engineering and Remote Sensing.1980. 6(5). P. 657-666.

42. Hatfield, J.L. 1983. Remote sensing estimators of potential and actual crop,yield. Remote Sens. Environ. 13:301-311.

43. Hatfield, J.L., Prueger J.H., Kustas W.P. Remote sensing of dryland crops // S.L. Ustin (ed.) Remote sensing for natural resource management and environmental monitoring: Manual of remote sensing. 3rd ed. John Wiley, Hoboken, NJ. 2004. P. 531-568

44. Евттошкин А.В., Юшаков В.Н. Разработка элементов технологии мониторинга зерновых культур в Алтайском крае // Труды Международной конференции "Современные проблемы информационных технологий и космический мониторинг". Ханты-Мансийск, 2001. С. 154-158.

45. Евтюшкин А.В., Юшаков В.Н., Рычкова Н.В. Использование данных дистанционного зондирования для распознавания зерновых культур и коррекции моделей биопродуктивности // Известия Алтайского государственного университета. 2002. № 1. С. 63-67.

46. Maas S.J. Using Satellite Data to Improve Models Estimates of Crop Yields // Agron. 1988. J. 80. P. 655-662.

47. Maas, S. J. Use of remotely sensed information in agricultural crop growth models // Ecological Model. 1988. #41. P. 247-268.

48. Delecolle R.} Maas S. J., Guerif M., Baret F. Remote sensing and crop production models // Present trends. ISPRS J. of Photogrammetry and Remote Sensing 47. 1992. P. 145-161.

49. Maas, S. J. GRAMI: A crop growth model that can use remotely sensed information. Pub. ARS-91, Washington, DC. 1992. 78 p.

50. Moran M. S., Maas S. J., Pinter P. J. Combining remote sensing and modeling for estimating surface evaporation and biomass production. // Remote Sensing. 1995. Rev. 12. P. 335-353.58.