Аннотация. Актуальность исследования. Соя является одной из ключевых культур мирового сельского хозяйства; в последнее время производство сои активно развивается на территории российского Дальнего Востока. Для решения практических задач, связанных с производством сои, в том числе планирования посевных площадей и экспортных операций субъектами ДФО, необходимо с достаточной точностью прогнозировать урожайность сельскохозяйственной культуры. Цель исследования – определить факторы, влияющие на урожайность культуры, установить взаимосвязь между этими показателями и урожайностью, а также оценить точность предложенной модели. Методы исследования. На примере Ханкайского, Хорольского, Михайловского и Октябрьского районов Приморского края рассмотрены показатели, характеризующие климатические особенности муниципальных образований, а также данные дистанционного зондирования Земли за период 2008–2018 гг. Метеорологические характеристики территорий и значения индексов вегетации получены с использованием системы «ВЕГА-Science», дополнительно рассчитаны интегральные коэффициенты, при этом взаимно коррелирующие показатели исключены из регрессионной модели. Основным результатом исследования является многофакторная регрессионная модель, где в качестве зависимой переменной выступает среднегодовая урожайность сои, а независимых переменных – максимум среди еженедельных композитов вегетационного индекса NDVI пахотных земель, гидротермический коэффициент, продолжительность вегетационного периода, средняя годовая влажность и сумма температур верхнего слоя почвы. Средняя абсолютная ошибка модели составляет: для Ханкайского района 11,0 %, Хорольского района – 4,8 %, Октябрьского района – 9,5 %, Михайловского района – 8,9 %. Научная новизна и практическая значимость. Для прогнозирования урожайности сои на Дальнем Востоке разработана регрессионная модель, предполагающая использование климатических характеристик и значений NDVI пахотных полей по муниципальному образованию. В целом предложенные модели с заявленным уровнем точности могут быть использованы для прогнозирования урожайности сои, а также для принятия управленческих решений на региональном и муниципальном уровнях.
соя, урожайность, Приморский край, климатические характеристики, регрессионная модель, дистанционное зондирование, NDVI
1. Boyarskiy B. S., Hasegawa H., Lyude A. Demand for Russian soybean based on the needs of food industry in Japan // Scientific support of soybean: problems and prospects. Collection of scientific articles on materials of the International research and practice conference dedicated to the 50th anniversary of the foundation of the All-Russian Scientific Research Institute of Soybean. Blagoveshchensk, 2018. Pp. 36-41.
2. Gaso D. V., Berger A. G., Ciganda V. S. Predicting wheat grain yield and spatial variability at field scale using a simple regression or a crop model in conjunction with Landsat images // Computers and Electronics in Agriculture. 2019. Vol. 159. Pp. 75-83.
3. Асеева Т. А., Терехова М. В. Рациональные приемы использования сельскохозяйственных земель в Хабаровском крае при возделывании сои // Дальний Восток: проблемы развития архитектурно-строительного комплекса. 2016. № 1. С. 168-171.
4. Производство сои: прогноз на сезон 2017/18 [Электронный ресурс] // МНИАП. URL: http://мниап.рф/analytics/Proizvodstvo-soi-prognoz-na-sezon-2017-18 (дата обращения: 25.09.2019).
5. Минакир П. А. «Программная» экономика: Дальний Восток // Пространственная экономика. 2019. № 2. Т. 15. С. 7-16.
6. Boyarskiy B. Application of NDVI Data to Analyse the Effects of Sowing Methods and Seeding Rates on Soybean Crop Yield // Journal of Engineering and Applied Sciences. 2019. Vol. 14. Pp. 4290-4294.
7. Onojeghuo A. O., G Blackburn. A., Huang J. Applications of satellite “hyper-sensing” in Chinese agriculture: Challenges and opportunities // International Journal of Applied Earth Observation and Geoinformation. 2018. Vol. 64. Pp. 62-86.
8. Береза О. В., Страшная А. И., Лупян Е. А. О возможности прогнозирования урожайности озимой пшеницы в Среднем Поволжье на основе комплексирования наземных и спутниковых данных // Современные проблемы дистанционного зондирования Земли из космоса. 2015. № 1. Т. 12. С. 18-30.
9. Буховец А. Г. [и др.] Моделирование динамики вегетационного индекса NDVI озимой пшеницы в условиях ЦФО // Вестник Воронежского государственного аграрного университета. 2018. Т. 11. № 2. С. 186-199.
10. Панеш А. Х., Цалов Г. В. Прогнозирование урожайности озимой пшеницы на основе сервисов геоинформационных систем // Вестник АГУ. 2017. № 4. С. 175-180.
11. Iizumi T., Shin Y., Kim W. Global crop yield forecasting using seasonal climate information from a multi-model ensemble // Climate Services. 2018. Vol. 11. Pp. 13-23.
12. Boyarskiy B. S., Hasegawa H., Lyude A. Application of NDVI in soybean analysis // Scientific support of soybean: problems and prospects. Collection of scientific articles on materials of the International research and practice conference dedicated to the 50th anniversary of the foundation of the All-Russian Scientific Research Institute of Soybean. Blagoveshchensk, 2018. Pp. 64-71.
13. Спивак Л. Ф. [и др.] Анализ результатов прогнозирования урожайности яровой пшеницы на основе временных рядов статистических данных и интегральных индексов вегетации // Современные проблемы дистанционного зондирования Земли из космоса. 2015. № 2. Т. 12. С. 173-182.
14. Сторчак И. Г., Шестакова Е. О., Ерошенко Ф. В. Связь урожайности посевов озимой пшеницы с NDVI для отдельных полей // Аграрный вестник Урала. 2018. № 6. С. 64-68.
15. Балабайкин В. Ф., Елкин К. В. Влияние изменения климата на урожайность зерновых в Костанайской области // Аграрный вестник Урала. 2014. № 11. С. 54-59.
16. De la Casaa A., Ovandoa G. G., Bressanini L. Soybean crop coverage estimation from NDVI images with different spatial resolution to evaluate yield variability in a plot // ISPRS Journal of Photogrammetry and Remote Sensing. 2018. Vol. 146. Pp. 531-547.
17. Горохова С. В. Некоторые особенности формирования мезоклимата на юге Приморского края // Известия Самарского научного центра Российской академии наук. 2012. № 1. Т. 14. С. 1441-1443.
18. Росстат. База данных показателей муниципальных образований [Электронный ресурс]. URL: https://www.gks.ru (дата обращения: 15.09.2019).
19. Толпин В. А. [и др.] Возможности анализа состояния сельскохозяйственной растительности с использованием спутникового сервиса «ВЕГА» // Оптика атмосферы и океана. 2014. № 7. Т. 27. С. 581-586.
20. Якушев В. П., Дубенок Н. Н., Лупян E. А. Опыт применения и перспективы развития технологий дистанционного зондирования Земли для сельского хозяйства // Современные проблемы дистанционного зондирования Земли из космоса. 2019. № 3. Т. 16. С. 11-23.
