Прогноз урожайности яровых зерновых культур для юга Западной Сибири по потокам флуоресцентного излучения

Алена Евгеньевна Карамзина,Егор Юрьевич Мордвин,Анатолий Алексеевич Лагутин

ПРЕПРИНТ

Эта статья является препринтом и не была отрецензирована.
О результатах, изложенных в препринтах, не следует сообщать в СМИ как о проверенной информации.

Прогноз урожайности яровых зерновых культур для юга Западной Сибири по потокам флуоресцентного излучения

А. Е. Карамзина,

Е. Ю. Мордвин,

А. А. Лагутин

2025-12-15

https://doi.org/10.24108/preprints-3114093

В работе обсуждается модель, связывающая урожайность яровых зерновых и зернобобовых культур юга Западной Сибири с потоками флуоресцентного излучения, которые испускаются в диапазоне 600–800 нм и представляют собой побочный продукт световой фазы фотосинтеза. Основным источником информации о потоках флуоресцентного излучения служит спектрометр TROPOMI, установленный на спутнике Sentinel-5 Precursor. Разработанная методология объединяет данные о флуоресцентном излучении с информацией о распределении посевных площадей (спутниковый продукт MCD12Q1/MODIS) и официальными данными Росстата по урожайности. Ключевая гипотеза основывается на линейной зависимости между региональными уровнями флуоресцентного излучения и валовой первичной продукцией, определяющими процесс формирования биомассы зерновых и зернобобовых культур. Проведенный анализ данных TROPOMI за период 2020–2024 годов выявил устойчивую корреляционную связь между максимумами значений флуоресценции и показателями урожайности. Установлено, что включение в модель функции потерь, которая опирается на гидротермический коэффициент Селянинова P для периода август-сентябрь, позволило лучшим образом согласовать максимум флуоресцентного излучения и удельную урожайность, полученную по данным Росстата. Оценка P выполнялась с использованием результатов субсезонной климатической модели SEAS5, скорректированных методом EQM. Для прогноза урожайности в Новосибирской, Омской, Кемеровской областях и Алтайском крае коэффициент детерминации R2 для случая без учета потерь равен 0,17, 0,79, 0,53, 0,90, а для модели с потерями – 0,89, 0,88, 0,86, 0,97, соответственно. Результаты исследования подтверждают перспективность использования информации о флуоресцентном излучении для мониторинга и прогнозирования урожайности яровых сельскохозяйственных культур в зонах рискованного земледелия.

Ссылка для цитирования:

Карамзина А. Е., Мордвин Е. Ю., Лагутин А. А. 2025. Прогноз урожайности яровых зерновых культур для юга Западной Сибири по потокам флуоресцентного излучения. PREPRINTS.RU. https://doi.org/10.24108/preprints-3114093

Список литературы

1. Амирова Т. Н. Влияние потерь влаги на урожайность при ирригационных работах по методу кругового центра орошения // Мелиорация и водное хозяйство. 2023. № 2. С. 4-7. DOI 10.32962/0235-2524-2023-2-4-7.

2. Безруких В. А., Авдеева Е. В., Иванов Д. В. и др. «Рискованное земледелие» или риски в аграрном природопользовании бореальной зоны Приенисейской Сибири // Хвойные бореальной зоны. Т.42. № 2. 2024. с.12-15.

3. 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. Т. 12. № 1. С. 18-30.

4. Ерошенко Ф.В., Барталев С.А., Сторчак И.Г. и Плотников Д.Е. Возможности дистанционной оценки урожайности озимой пшеницы на основе вегетационного индекса фотосинтетического потенциала. Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 4. С. 99–112.

5. Илларионова Л.В., Степанов А.С., Прохорец И.О. Аппроксимация временных рядов NDVI нелинейными функциями для мониторинга сельхозкультур Дальнего Востока// Материалы 21-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». 2023.

6. Кельчевская Л.С. Методы обработки наблюдений в агроклиматологии. Л.: Гидрометеидаттеидат. 1971. 215 с. http://mgmtmo.ru/edumat/agro/kelchevskaya.pdf

7. Лупян E.A., Барталев С.А., Крашенинникова Ю.С. и др. Аномальное развитие яровых культур в регионах европейской части России в 2017 году // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 3. С. 324–329.

8. Симоненко Е. И. Влияние климатического фактора на потери урожайности зерновых культур // Colloquium-Journal. 2019. № 22-7(46). С. 26-27.

9. Спиридонов Ю.Я., Будынков Н.И., Азизов З.М. и др. Влияние комплексных мер борьбы с сорняками на урожайность и качество озимой пшеницы // Вавиловские чтения - 2019: Международная научно-практическая конференция, посвященной 132-ой годовщине со дня рождения академика Н.И. Вавилова. Саратов. 2019. с. 228-230.

10. Федулов, Ю. П. Фотосинтез и дыхание растений: учебное пособие для бакалавров, изучающих дисциплину «Физиология и биохимия растений»// Кубанский государственный аграрный университет им. И.Т. Трубилина. 2019. 101 с.

11. Шмидт И.В., Латыпова А.М., Царенко А.Л. Применение данных дистанционного зондирования Земли для прогнозирования урожайности сельскохозяйственных культур// Региональные геосистемы. 2022. Т. 46. №4. DOI: 10.52575/2712-7443-2022-46-4-539-554.

12. Шокин Ю.И., Лагутин А.А., Мордвин Е.Ю. и др. Технология оценки валовой первичной продукции по данным спутниковых наблюдений// Вычислительные технологии. 2023. Т. 28. №2. C.103–114. DOI:10.25743/ICT.2023.28.2.009

13. Штирбет А., Ризниченко Г., Рубин А. и др. Моделирование кинетики флуоресценции хлорофилла а: связь с фотосинтезом (обзор) // Биохимия. 2014. Т. 79. № 4. С. 379-412.

14. Ayudhya T., Posey F. T., Tyus J. C. et al. Using a Microscale Approach To Rapidly Separate and Characterize Three Photosynthetic Pigment Species from Fern // Journal of Chemical Education. 2015. V. 92. Issue 5. DOI:10.1021/ed500344c.

15. Berger M., Moreno J., Johannessen J. A. et al. ESA's sentinel missions in support of Earth system science // Remote Sensing of Environment. 2012. V.120. Pp. 84-90. DOI: 10.1016/j.rse.2011.07.023.

16. Bi Y., Wang Q., Yang Z. et al. TanSat ACGS on-orbit spectral calibration by use of individual solar lines and entire atmospheric spectra // Atmos. Meas. Tech. Discuss. [preprint]. 2020. DOI: 10.5194/amt-2020-20.

17. Butz A., Galli A., Hasekamp O. et al. TROPOMI aboard Sentinel-5 Precursor: Prospective performance of CH4 retrievals for aerosol and cirrus loaded atmospheres // Remote Sensing of Environment. 2012. V. 120. Pp. 267-276. DOI: 10.1016/j.rse.2011.05.030.

18. Cannon A.J., Sobie S.R., Murdock T.Q. Bias Correction of GCM Precipitation by Quantile Mapping: How Well Do Methods Preserve Changes in Quantiles and Extremes?// Journal of Climate. 2015. V.28. Pp. 6938–6959. DOI: 10.1175/JCLI-D-14-00754.1.

19. Doughty R., Kurosu T. P., Parazoo N. et al. Global GOSAT, OCO-2, and OCO-3 solar-induced chlorophyll fluorescence datasets // Supplement of Earth Syst. Sci. Data. 14. 2022. P. 1513–1529 DOI: 10.5194/essd-14-1513-2022-supplement.

20. Elber G., Lee I.-K., Kim M.-S. Comparing Offset Curve Approximation Methods // IEEE Computer Graphics and Applications. V. 17. No 3. Pp. 62-71. DOI: 10.1109/38.586019.

21. Fang J., Li X., Xiao J. et al. Vegetation photosynthetic phenology dataset in northern terrestrial ecosystems// Scientific Data. 2023. DOI: 10.1038/s41597-023-02224-w.

22. Frankenberg C., Pollock R., Lee R.A.M. et al. The Orbiting Carbon Observatory (OCO-2): spectrometer performance evaluation using pre-launch direct sun measurements // Atmospheric Measurement Techniques. 2015. V. 8. Pp. 301–313. DOI: 10.5194/amt-8-301-2015.

23. Friedl M., Sulla-Menashe, D. (2022). MODIS/Terra+Aqua Land Cover Type Yearly L3 Global 500m SIN Grid V061 [Data set]. NASA Land Processes Distributed Active Archive Center. DOI: 10.5067/MODIS/MCD12Q1.061 (Date Accessed: 2025-07-03).

24. Friedl M.A., McIver D.K., Hodges J.C.F. et al. Global land cover mapping from MODIS: algorithms and early results // Remote Sensing of Environment. 2002. V. 83. P. 287 – 302. DOI: 10.1016/S0034-4257(02)00078-0.

25. Friedl M. A., Sulla-Menashe D., Tan B. et al. MODIS Collection 5 global land cover: Algorithm refinements and characterization of new datasets // Remote Sensing of Environment. 2010. V.114. P. 168–182. DOI: 10.1016/j.rse.2009.08.016.

26. Guanter L., Bacour C., Schneider A. et al. The TROPOSIF global suninduced fluorescence dataset from the Sentinel-5P TROPOMI mission// Earth Syst. Sci. Data. 2021. V.13. Issue 11. DOI:10.5194/essd-13-5423-2021.

27. Hersbach H., Bell B., Berrisford P. et al. The ERA5 global reanalysis. // Q J R Meteorol Soc. 2020. V. 146. Pp.1999–2049. DOI: 10.1002/qj.3803.

28. Johnson S. J., Stockdale T.N., Ferranti L. et al. SEAS5: the new ECMWF seasonal forecast system // Geoscientific Model Development. 2019. V. 12(3). Pp. 1087-1117. DOI: 10.5194/gmd-12-1087-2019.

29. Li X., Xiao J. TROPOMI observations allow for robust exploration of the relationship between solar-induced chlorophyll fluorescence and terrestrial gross primary production // Remote Sensing of Environment. 2022. V. 268. P.112748. DOI: 10.1016/j.rse.2021.112748.

30. Liu Z., Zhao F., Liu X. et al. Direct estimation of photosynthetic CO2 assimilation from solar-induced chlorophyll fluorescence (SIF)// Remote Sensing of Environment. 2022. V. 271. 112893. DOI: 10.1016/j.rse.2022.112893.

31. Lungu O.N., Chabala L.M., Shepande C. Satellite-based crop monitoring and yield estimation—a review// Journal of Agricultural Science. 2020. V.13. P.180. DOI: 10.5539/jas.v13n1p180.

32. Magney T.S., Bowlingc D. R., Logan B. A. Mechanistic evidence for tracking the seasonality of photosynthesis with solar-induced fluorescence// PNAS. 2019. V. 116. no. 24. DOI: 10.1073/pnas.1900278116.

33. Marshall M., Tu K., Brown J. Optimizing a remote sensing production efficiency model for macro-scale GPP and yield estimation in agroecosystems // Remote Sensing of Environment. 2018. V. 217. P. 258-271. DOI: 10.1016/j.rse.2018.08.001.

34. Mordvin E.Y., Pochemin N.M., Volkov N.V. et al. Changes in Moisture Supply in the Steppe Zone of the Southern Part of Western Siberia for the Period 1980–2050 According to Scenario Forecasts Based on Global CMIP6 Models // Arid Ecosyst. 2024. V. 14, P. 259–268. DOI: 10.1134/S2079096124700203.

35. Muñoz-Sabater J., Dutra E., Agustí-Panareda A. et al. ERA5-Land: a state-of-the-art global reanalysis dataset for land applications// Earth Syst. Sci. Data. 2021. V.13: Pp. 4349-4383. DOI: 10.5194/essd-13-4349-2021.

36. Oshio H., Yoshida Y., Matsunaga T. On the zero-level offset in the GOSAT TANSO-FTS O2A band and the quality of solar-induced chlorophyll fluorescence (SIF): comparison of SIF between GOSAT and OCO-2 // Atmos. Meas. Tech. 2019. V.12. 6721–6735.

37. Peng B., Guan K., Pan M., Li Y. Benefits of Seasonal Climate Prediction and Satellite Data for Forecasting U.S. Maize Yield// Geophysical Research Letters. 2018. V. 45. DOI: 10.1029/2018GL079291.

38. Proctor J., Zeppetello L.V., Chan D. et al. Climate change increases the interannual variance of summer crop yields globally through changes in temperature and water supply// Science Advances. 2025. V.11. P. 3575. DOI: 10.1126/sciadv.ady3575.

39. Reeves M.C., Zhao M., Running, S.W. Usefulness and limits of MODIS GPP for estimating wheat yield.// International Journal of Remote Sensing. 2005. V.26. Pp.1403–1421. DOI:10.1080/01431160512331326567.

40. Rouse J. W., Haas R. H., Schell J. A. et al. Monitoring vegetation systems in the Great Plains with ERTS. Third ERTS-1 Symposium. NASA SP-351. 1974. Pp. 309-317.

41. Running S.W., Nemani R.R., Heinsch F.A. et al. A Continuous Satellite-Derived Measure of Global Terrestrial Primary Production // BioScience. 2004. V. 54. Pp. 547–560. DOI: 10.1641/0006-3568(2004)054[0547:ACSMOG]2.0.CO;2

42. Salomonson V. V., Barnes W. L., Maymon P. W. et al. MODIS: advanced facility instrument for studies of the Earth as a system // Transactions on Geoscience and Remote Sensing. 1989. V. 27. No. 2. Pp. 145-153. DOI: 10.1109/36.20292.

43. Tanaka T., Sun L., Becker-Reshef I. et al. Satellite forecasting of crop harvest can trigger a cross-hemispheric production response and improve global food security// Communications Earth & Environment. 2023. V.4. DOI: 10.1038/s43247-023-00992-2.

44. Tucker C.J. Red and photographic infrared linear combinations for monitoring vegetation. // Remote Sens Environ. 1979. V. 8. Pp.127–150.

45. Tucker C.J., Fung I.Y., Keeling C. D. et al. Relationship between atmospheric CO2 variations and a satellite-derived vegetation index// NATURE. 1986. V. 319. С. 195–199.

46. Veefkind J. P., Aben I., McMullan K. et al. TROPOMI on the ESA Sentinel-5 Precursor: a GMES mission for Global Observations of the Atmospheric Composition for Climate, Air Quality and Ozone Layer Applications // Remote Sensing of Environment. 2012. V. 120. Pp. 70–83.

47. Xiao J., Fisher J.B., Hashimoto H. et al. Emerging satellite observations for diurnal cycling of ecosystem processes// Nat. Plant. 2021. no.7. С. 877–887.

ПРЕПРИНТ

ИНФОРМАЦИЯ

Использование куки-файлов