Поділитись:

Частина 2: Дистанційний моніторинг росту сільськогосподарських культур та модель прогнозування врожаю

Визначення:

Індекс листкової поверхні (LAI), Індекс зеленої площі (GAI), Добова та накопичена біомаса (DM), стадія розвитку (GS) та урожайність.

Індекс листкової поверхні (LAI)

Індекс листкової поверхні - це відношення площі листя до площі землі, як правило, відображається як квадратні метри на квадратний метр, і є загальновживаною біофізичною характеристикою рослинності [1]. Моделювання площі листкової поверхні надзвичайно важливе, оскільки листкова поверхня перехоплює світло, накопичує азот, а також розташування листя впливає на міжвидову конкуренцію [2].

Аналіз масиву даних отриманих в широких практичних дослідженнях, показує високу кореляцію між LAI та SAR (ВВ, ВГ) або GCVI (Індекс Хлорофілу) у різних сільськогосподарських культур.

Малюнок 3. Імітація площі ЛАІ (м 2 /м 2 ) та порівняння з фактичними польовими даними (зелені хрести) _Соя в Африці.

У разі відсутності оптичних або SAR-даних модель може бути запущена, лише використовуючи вхідні дані погоди для обчислення LAI. Вона поділена на дві фази: "фазу росту", яка регулюється температурою (поділ і розширення клітин) і має експоненціальну схему росту та "фазу дозрівання", площа листя якої зменшується за рахунок самозатінення та старіння (залежно від температури).

Індекс зеленої поверхні (GAI)

Індекс зеленої поверхні - це співвідношення між загальною площею всіх зелених тканин (не тільки листя) та площею поверхні ґрунту. LAI та GAI до певної точки майже рівні, але після видовження стебла GAI буде більше, ніж LAI [3]. Для моделі вирощування врожаю зазвичай використовують LAI, але для спостереження за розмірами посіву (стеблостою) та стадії розвитку культури використовують GАІ. Наприклад, кущіння (пшениця) зазвичай закінчується, коли GАІ досягає приблизно 1 (яке зазвичай таке ж, як LАІ), і в суцільних посівах це відбувається зазвичай перед GS31 (BBCH31).

Біомаса (DM)

Утворення сухої речовини розраховується на основі щоденного розрахунку поглинання світла за допомогою LAI та експериментально отриманого значення ефективності використання сонячної радіації (RUE) [4].

Біомаса = PAR. RUE           

PAR - це фотосинтетично активна радіація над посівом і лише частина PAR, перехоплена рослинністю.

Малюнок 4. Утворення сухої речовини кукурудзою (г/м 2 /доба ) та накопичена біомаса (г/м 2 ).

Стадії Розвитку (GS)

Для визначення фаз розвитку рослин в Моделі Росту культур використовуються загальновідомі Міжнародні шкали стадій розвитку Zadok та BBCH.

Малюнок 5. Шкала розвитку  Zadok’s озимої пшениці [10]

Як тільки вираховується біомаса, модель передбачає числовий добовий вихід для Стадії Росту GS, який називається "індекс росту" (GI), який потім переводиться на текстовий опис. 

Малюнок 6. Порівняння спостережуваної Стадії Росту (GS) з 14 полів (n = 663) з модельним прогнозом GS (озима пшениця).

Врожай

Супутникові дані в поєднанні з даними про погоду та моделями росту рослин дозволяють точно виміряти врожайність сільськогосподарських культур на полях господарств. Це дає унікальну можливість подолати як просторові, так і часові проблеми масштабування і, таким чином, покращити розуміння продуктивності культур та врожайності [6]. Вилка  урожайності - це різниця між середньою врожайністю фермерів та тією, яку можна отримати потенційно. Середня врожайність може бути реально досягнута на фермерському полі за звичайних методів управління, таких як дата сівби, густота рослин, сорт, управління поживними речовинами та захист сільськогосподарських культур [7]. Потенційна урожайність - це урожайність культури отримана за умови достатньої забезпеченості водою та поживними речовинами та повного захисту від бур’янів, шкідників, хвороб та інших факторів, які можуть зменшити ріст. Потенційний урожай рідко досягається на польових культурах [8].

Прогнозування врожайності можна оцінити для визначеної географічної одиниці та часового періоду, а потім  масштабувати на більші площі та більш тривалих періодів часу, враховуючи їх просторову та часову варіацію [9]. Не зважаючи на те, що  зміни клімату можуть змінити продуктивність культур через прямі зміни температури та доступності води чи опосередковано через вплив шкідників та хвороб, супутникові дані можуть чітко фіксувати всі ці зміни та точно оцінювати середній рівень урожайності.                            

Прогнозування врожайності на основі Стадії Росту (GS) та індексу врожаю (HI)

У цьому методі ми розглядаємо взаємозв'язок між оціненою загальною величиною Біомаси (DM) та історичними даними врожайності на різних Стадіях росту культур. Це призводить до отримання змінного значення Індексу Врожаю (HI ) починаючи від зазначення стартової Стадії Росту культури. Застосовуючи функцію HI в накопичувальній біомасі, урожай можна оцінювати щодня до періоду збирання.

Малюнок 7. Прогноз урожайності озимої пшениці - Великобританія 2019.

Прогнозування врожайності, зумовлене кумулятивним GCVI

Нова концепція використовується для прогнозування врожаю безпосередньо за сукупними значеннями Іиндексу накопичення хлорофілу (GCVI) з дати посіву для раннього оцінювання продуктивності. Було показано, що точність такого прогнозування врожаю збільшується, коли аналіз обмежується конкретною системою посіву (наприклад, з поливом або без), конкретними сортами (гібридами  або сортами), а також конкретним кліматичним типом.

Висока кореляція між прогнозованою (врожайність моделі) та фактичною (спостережувані врожаї) на полі за польовою оцінкою соняшника показана на малюнку 8. Також на прикладі моделі прогнозування врожайності показано на малюнку 9 загальний прогнозований показник порівняно з фактичними врожаями кукурудзи на полях України.

Малюнок 8. Прогнозування врожаю соняшнику з використанням кумулятивного GCVI на GS 80.

Малюнок 9. Загальна прогнозована та фактична врожайність кукурудзи на фермах (Україна).

References

1.           Watson, D.J., Comparative Physiological Studies on the Growth of Field Crops: I. Variation in Net Assimilation Rate and Leaf Area between Species and Varieties, and within and between Years. Annals of Botany, 1947. 11(1): p. 41-76.

2.           Lawless, C., M.A. Semenov, and P.D. Jamieson, A wheat canopy model linking leaf area and phenology. European Journal of Agronomy, 2005. 22(1): p. 19-32.

3.           Leuning, R., F.X. Dunin, and Y.P. Wang, A two-leaf model for canopy conductance, photosynthesis and partitioning of available energy. II. Comparison with measurements. Agricultural and Forest Meteorology, 1998. 91(1): p. 113-125.

4.           Monteith, J.L. and C.J. Moss, Climate and the Efficiency of Crop Production in Britain [and Discussion]. Philosophical Transactions of the Royal Society of London. Series B, Biological Sciences, 1977. 281(980): p. 277-294.

5.           Zadoks, J.C., T.T. Chang, and C.F. Konzak, A decimal code for the growth stages of cereals. Weed Research, 1974. 14(6): p. 415-421.

6.           Lobell, D.B., The use of satellite data for crop yield gap analysis. Field Crops Research, 2013. 143: p. 56-64.

7.           van Ittersum, M.K., et al., Yield gap analysis with local to global relevance—A review. Field Crops Research, 2013. 143: p. 4-17.

8.           Van Ittersum, M. and R. Rabbinge, Concepts in production ecology for analysis and quantification of agricultural input-output combinations. Field Crops Research, 1997. 52(3): p. 197-208.

9.           Ewert, F., et al., Scale changes and model linking methods for integrated assessment of agri-environmental systems. Agriculture, Ecosystems & Environment, 2011. 142(1–2): p. 6-17.

10.          Basden, T., et al., Chapter.5 Crop production. 2016.