Прогнозирование урожайности сельскохозяйственных культур

Из исторических источников известно, что во все времена люди, занимавшиеся возделыванием земли, предпринимали попытки предсказывать размер будущего урожая. Из эпохи античного Средиземноморья до нас дошли примеры систематизации знаний о сельском хозяйстве в виде работ, подобных «Земледелию» Марка Порция Катона. В фольклоре народов Европы и Азии до сих пор сохранилось большое количество прогностических примет, по которым на протяжении многих веков аграрии строили свои ожидания по количеству и качеству урожая сельскохозяйственных культур.

Системный подход к прогнозированию сформировался в первой половине ХХ века и базировался на развитии агрометеорологии как самостоятельной дисциплины в сочетании со знаниями о физиологии растений. Были разработаны первые интегральные агроклиматические индексы, например, гидротермический коэффициент (Г.Т.Селянинов, 1930), который позволял выполнять районирование территорий по комбинации суммы активных температур и осадков, определяя физиологический потенциал биопродукции в данной местности. В дальнейшем температурные и гидрологические характеристики легли в основу более сложных математических моделей.

Так, в середине прошлого века возник ряд методов прогнозирования урожайности на основе сведений о суточных температурах и степени влагообеспеченности растений в период максимального прироста биомассы: использовались данные агрометеорологических наблюдений за май — июнь в сопоставлении с фактической урожайностью культур для калибровки математической модели.  Подобным образом было разработано много вариантов прогностических алгоритмов, которые отличались друг от друга способами расчета и набором учитываемых факторов.

Главную сложность в повышении точности прогнозов всегда составляла многофакторность и гетерогенность системы — на рост и развитие растений влияют одновременно и с разной, переменной, степенью воздействия биотические и абиотические факторы.

Растение реагирует на физические и химические свойства почвы, на сумму и амплитуду температур, на уровень инсоляции, количество и интенсивность атмосферных осадков, на колебания запасов почвенной влаги, на воздействие микробиоты и мезофауны, а также еще на ряд явлений.

Для количественного учета каждого влияющего фактора необходимо периодическое выполнение прямых или косвенных измерений, что в ряде случаев представляет собой трудоемкий процесс, который не просто реализовать в масштабах промышленного растениеводства. К настоящему времени средства и способы измерений заметно эволюционировали, но даже сегодня прямое исследование всех влияющих факторов не обеспечивает возможности масштабного охвата для каждого отдельного предприятия и каждого отдельного поля.

По этой причине, математические модели прогнозирования, работающие на прямом измерений широкого набора показателей, пока не получили большого распространения в реальном производстве. Данные методы имеют известную применимость в экспериментальной науке и, возможно, в перспективе смогут масштабироваться при нахождении более простых способов получения точных измерений по каждому влияющему фактору на отдельных полях.

С развитием космической эры, человечество наряду с романтикой межпланетных полетов, получило много новых полезных инструментов, имеющих хорошую практическую применимость. Работа метеорологических спутников на околоземной орбите позволила повысить точность предсказания погоды в разных уголках планеты, но еще более значимым событием стало появление систем дистанционного зондирования Земли — специальных орбитальных комплексов, снимающих земную поверхность в мультиспектральном или гиперспектральном режиме.

Появление доступных космоснимков с изображением сельхозугодий в разных спектральных диапазонах открыло широкие возможности не только для дифференциации растительного покрова по уровню биомассы (прим.: NDVI и прочие разностные индексы) или морфологическим отличиям, но и дало основу для создания принципиально новых моделей прогнозирования урожайности. Эксперименты, начатые еще в 80х годах прошлого века, показали, что динамика спектральных индексов в процессе вегетации сельскохозяйственных культур имеет выраженную корреляцию с урожайностью.

Для различных культур показатель корреляции имеет определенные отличия, обусловленные биологическими особенностями растений, но в целом отмечается прямая зависимость между значениями вегетационных индексов и объемом конечной продукции — зерном или зеленой массой. Можно говорить о том, что вегетационные индексы выступают в роли интегральной метрики в многофакторной системе и измеряют биомассу как функцию от многих влияющих переменных.

Сегодня прогностические модели на основе данных дистанционного зондирования разработаны для широкого ряда культур — главным образом для зерновых, где отмечается наилучшая корреляция. Построение прогноза для культур с большой подземной биомассой в виде корнеплодов (например, для сахарной свеклы) осложняется тем, что не всегда степень развития надземной части растения пропорциональна массе подземной и это значительно увеличивает погрешность прогноза.

Методы прогнозирования на основе спектральных индексов в среднем показывают отклонение от истинной фактической урожайности культуры не более 10%. Ключевую роль в обеспечении точности прогноза имеет локальная калибровка алгоритма. Так, для получения минимальной погрешности прогноза, должна выполняться адаптация расчетного механизма на основе исторических данных об урожайности культуры в данной конкретной местности. В связи с тем, что в настоящее время большинство современных цифровых систем управления агропредприятием имеют встроенные функции прогнозирования урожайности, большое значение приобретают накопленные данные об истории посевов и их урожайности. Иными словами, максимально точный прогноз будут иметь те, кто имеет больший «стаж цифровизации» хозяйства, либо — те, кто хранил, систематизировал историю урожайности по каждому полю любым из способов (хоть на бумаге) и сейчас имеет возможность внести эти сведения в цифровую систему для уточнения калибровки прогнозирования.

Нужно отметить, что существует два основных метода прогнозирования урожайности, использующих вегетационные индексы — это метод пика биомассы и метод года-аналога. В первом случае в расчет принимается максимальное значение индекса вегетации на соответствующей фазе развития растения. Как правило, такой механизм дает максимальную точность прогноза за 1-2 месяца до уборки культуры. Второй способ, — год-аналог —, чаще всего используется для получения прогноза на ранних стадиях вегетации, но имеет зачастую меньшую точность при больших временных интервалах до момента уборки.

Многие коллеги из числа тех, кто впервые сталкивается с методологией прогнозирования урожайности, часто задают справедливый вопрос: «почему бывают случаи, когда алгоритм показывает прогнозное значение, отличающееся от фактической урожайности на значительную величину»? Для ответа на этот и подобные вопросы мы можем разобрать типовые ситуации и дать пояснения о том, почему возникают различия между прогнозом и фактом:

• Посев культуры к моменту достижения пика биомассы был сильно засорен. Как известно, вегетационные индексы, показывающие степень развития зеленой биомассы, в равной степени реагируют на листовую поверхность как культурного, так и сорного растения. Сейчас существуют способы дифференциации культуры от сорняка на космоснимке, но этот механизм не может на 100% гарантировать выявление сорной растительности, особенно если сорняк и культура относятся к одному ботаническому типу (например, злаковый сорняк в посеве злаковой культуры). При калибровке алгоритма прогнозирования, мы обычно исходим из того, что культурные посевы возделываются при должном уровне агротехники при котором не допускается появление сорной растительности в высоких фазах. Таким образом, при должном уходе за культурой влияние сорной растительности на точность прогноза сводится к минимальному значению.
• Цифровой контур поля отличается от реальных границ посева. Бывают случаи, когда засевается не вся площадь поля, а лишь ее часть. Это происходит по разным причинам — переувлажненность участка на момент сева, развитие эрозии, временное разделение поля на несколько частей под разные культуры. Необходимо иметь в виду, что подобные явления на поле, не будучи отмеченными в цифровой системе, не позволяют корректно работать прогнозной логике. Программа по умолчанию считает, что поле засевается на 100% одной культурой, если не указать обратное. На практике такая ситуация легко исправляется — достаточно пометить на электронной карте временные границы посева на текущий сезон и алгоритм начнет корректно рассчитывать прогнозное значение.
• Влияние морфологии сорта или гибрида. Известно, что существует большое разнообразие сортовых форм и гибридов в пределах одного вида сельскохозяйственной культуры. В ряде случаев морфологические различия между ними могут быть весьма заметными, что может оказывать влияние на точность прогноза урожайности. Далеко не всегда это влияние может быть значимым, но подобные случаи встречались. Если на предприятии вводятся в севооборот сорта или гибриды с сильными морфологическими отличиями от ранее используемых, то в первый год выращивания может наблюдаться увеличение погрешности прогнозирования по данной культуре. В дальнейшем это отклонение нивелируется за счет получения актуальной калибровки по фактической урожайности новых сортов/гибридов.

Функции прогнозирования урожайности становятся неотъемлемой частью цифровых систем управления предприятием. Предсказание потенциального урожая несет легко объяснимую ценность с точки зрения уточнения планов по логистике уборки, валовому сбору, оценке обеспеченности ресурсами хранения и т.д. В процессе выращивания, значения прогнозной урожайности помогают выстраивать рейтинг полей и принимать верные управленческие решения.

И мы, и наши коллеги из числа разработчиков программного обеспечения для АПК, в настоящее время уделяем особое внимание усовершенствованию алгоритмов прогнозирования урожайности для широкого спектра культур. Мы уверены, что в ближайшие годы прогноз урожайности культур станет таким же общепринятым явлением, как и любая из широко используемых функций цифровой агрогеоинформационной системы.