Аннотації

Автор(и):
Хуан Мінсінь
Автор(и) (англ)
Huang Mingxin
Дата публікації:

22.04.2024

Анотація (укр):

Дослідження присвячено побудові математичної моделі врожайності сільськогосподарських культур яка включає три складові: трендову, сезонну та випадкову. Розроблена модель засвідчує залежність врожайності від фенологічних показників, якості земельних ресурсів, ефективності управління та інших випадкових факторів. Трендова та сезонна складова моделі врожайності не залежать від випадкових факторів, а тому можуть бути використані для прогнозування урожайності. Запропоновано трендову складову моделі розглядати як лінійно-кускову функцію, а сезонну складові моделі – як лінійну гармонічну регресії. Для оцінки фенологічних показників розроблено метод аналізу мультиспектральних зображень з урахуваннями геоінформаційних даних. Цей метод включає визначення порогового значення методом Оцу для знаходження щільності сільськогосподарської культури на полі. Дані про щільність культури, доповнені геоданими про межі ділянки, використовуються для обчислення урожаю. Здійснено порівняння прогнозів урожайності трьох культур для посівів Чернігівської області при використанні спостережень за фенологічними показниками посівів протягом всього року та протягом трьох місяців. Встановлено, що врожайність значною мірою визначається розвитком рослин у перші місяці після сходів. Порівняння прогнозів врожайності здійснено з даними Державної служби статистики України та прогнозами, зробленими на основі імітаційної моделі WOFOST. Встановлено, що середня відносна похибка прогнозування врожайності за допомогою розробленої моделі становить 2,96% при використанні спостережень за фенологічними показниками посівів протягом всього року та 4,51% при спостереженні протягом трьох місяців. Така точність є достатньою і співставною із середньою точність прогнозування на основі моделі WOFOST, яка становить 3,62%.

Анотація (рус):

Анотація (англ):

The study is devoted to the construction of a mathematical model of the yield of agricultural crops, which includes three components: trend, seasonal, and random. The developed model shows the dependence of yield on phenological indicators, the quality of land resources, management efficiency, and other random factors. The trend and seasonal components of the yield model do not depend on random factors and can therefore be used to predict yield. It is proposed to consider the trend component of the model as a piecewise linear function, and the seasonal component of the model as a linear harmonic regression. A method for analyzing multispectral images with consideration of geoinformation data has been developed to assess phenological indicators. This method includes determining the threshold value using Otsu method to find the density of the agricultural crop in the field. Data on crop density, supplemented with geodata about the plot boundaries, are used to calculate the yield. A comparison of yield forecasts for three crops in the Chernihiv region was made using observations of the phenological indicators of crops throughout the year and over 3 months. It was found that yield is significantly determined by plant development in the first months after germination. The comparison of yield forecasts was made with data from the State Statistics Service of Ukraine and forecasts made using the WOFOST simulation model. It was established that the average relative error of yield prediction using the developed model is 2.96% when using observations of the phenological indicators of crops throughout the year and 4.51% when observing over 3 months. This accuracy is sufficient and comparable to the average accuracy of predictions based on the WOFOST model, which is 3.62%).

Література:

  1. DeJoia, A. & Duncan, M. (2015). What is “Precision Agriculture and why is itimportant”. Retrived at: https://soilsmatter.wordpress.com/2015/02/27/what-is-precision-agriculture-and-why- is-it-important/.
  2. Rasinmäki, J. (2003). Modelling spatio-temporal environmental data. Environ. Model. Softw, 18 (10), 877–886.
  3. Babu, A. J., Thirumalaivasan, D. & Venugopal, K. (2006). STAO: a component architecture for raster and time series modeling. Environ. Model. Softw, 21 (5), 653–664.
  4. Verbesselt, J., Hyndman, R., Zeileis, A. & Culvenor D. (2010). Phenological Change Detection while Accounting for Abrupt and Gradual Trends. Satellite Image Time Series Remote Sensing of Environment, 114 (12), 2970–2980.
  5. Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9 (1), 62–66. http://doi.org/10.1109/TSMC.1979.4310076.
  6. Public cadastral map. (2024). Retrieved at: https://map.land.gov.ua.
  7. Copernicus: Sentinel-2 – The Optical Imaging Mission for Land Services. (2024). Retrieved at: https://directory.eoportal.org/web/eoportal/satellite-missions/c-missions/copernicus-sentinel-2.
  8. WOFOST – WOrld FOod STudies. (2024). Retrieved at: https://www.wur.nl/en/Research-Results/Research-Institutes/Environmental-Research/Facilities-Tools/Software-models-and-databases/WOFOST.htm.

References:

  1. DeJoia, A. & Duncan, M. (2015). What is “Precision Agriculture and why is itimportant”. Retrived at: https://soilsmatter.wordpress.com/2015/02/27/what-is-precision-agriculture-and-why- is-it-important/.
  2. Rasinmäki, J. (2003). Modelling spatio-temporal environmental data. Environ. Model. Softw, 18 (10), 877–886.
  3. Babu, A. J., Thirumalaivasan, D. & Venugopal, K. (2006). STAO: a component architecture for raster and time series modeling. Environ. Model. Softw, 21 (5), 653–664.
  4. Verbesselt, J., Hyndman, R., Zeileis, A. & Culvenor D. (2010). Phenological Change Detection while Accounting for Abrupt and Gradual Trends. Satellite Image Time Series Remote Sensing of Environment, 114 (12), 2970–2980.
  5. Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9 (1), 62–66. http://doi.org/10.1109/TSMC.1979.4310076.
  6. Public cadastral map. (2024). Retrieved at: https://map.land.gov.ua.
  7. Copernicus: Sentinel-2 – The Optical Imaging Mission for Land Services. (2024). Retrieved at: https://directory.eoportal.org/web/eoportal/satellite-missions/c-missions/copernicus-sentinel-2.
  8. WOFOST – WOrld FOod STudies. (2024). Retrieved at: https://www.wur.nl/en/Research-Results/Research-Institutes/Environmental-Research/Facilities-Tools/Software-models-and-databases/WOFOST.htm.