Оценка урожайности и состояния ключевых сельскохозяйственных культур россии на больших территориях с помощью регионально-параметризованной модели wofost

Аннотация

В работе исследуется потенциал имитационной модели продукционного процесса WOFOST для прогнозирования урожайности и оценки состояния ряда ключевых сельскохозяйственных культур России на больших территориях за пятнадцатилетний период анализа 2005–2020 гг. на основе почвенно-климатической информации. Отдельный акцент был сделан на адаптации информации из Почвенной карты под редакцией В.М. Фридланда масштаба 1:2 500 000 для обеспечения корректной работы модели. В рамках работы были получены модельные параметры среднерайонных гибридов ячменя, подсолнечника и кукурузы для нескольких сотен районов агропояса РФ, включая характеристики фенологии, фотосинтеза, дыхания и распределения ассимилятов. Параметризация осуществлялась с использованием функций потерь на основе алгоритмов Брента, Нелдера–Мида и дифференциальной эволюции для минимизации ошибок оценки урожайности. Для обеспечения параметризации и независимой оценки точности результатов набор исходных данных был поделен на обучающий набор и контрольный набор в соотношении 80:20. Районно-параметризованные модели обеспечили качественное совпадение гистограмм ошибок на обучающем и контрольном наборах с околонулевым систематическим сдвигом, при этом среднее относительное значение модуля отклонения оценки урожайности находилось в диапазоне 20–26% в зависимости от культуры. Кроме этого, было показано, что модельные оценки не только оказываются близки значениям фактической урожайности для исследуемого интервала лет, но и что модельный прогноз способен улавливать многолетние тренды динамики урожайности исследуемых культур. Наконец, на финальном этапе полученные модельные гибриды культур были использованы для оценки состояния в терминах отклонения модельной урожайности от урожайности оптимального сезона с формированием картограмм отклонений. Полученные в работе результаты могут быть использованы для информационной поддержки сельскохозяйственного сектора, включая прогнозирование урожайности и оценку состояния исследуемых ключевых культур на больших территориях с использованием имитационного моделирования, в том числе в различных климатических сценариях.

Литература

1.               Дунаева Е.А., Плотников Д.Е., Хвостиков С.А. и др. Использование данных дистанционного зондирования для ранней диагностики наступления засушливых условий // Таврический вестник аграрной науки. 2019. № 4 (20). С. 28–45. https://doi.org/ 10.33952/2542-0720-2019-4-20-28-45

2.               Информационная система «Почвенно-географическая база данных России» (Электронный ресурс). URL: https://soil-db.ru/ (дата обращения: 18.01.2026).

3.               Лупян Е.А., Барталев С.А., Крашенинникова Ю.С. и др. Анализ развития озимых культур в южных регионах европейской части России весной 2018 года на основе данных дистанционного мониторинга // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15, № 2. С. 275–281. https://doi.org/10.21046/2070-7401-2018-15-2-272-276

4.               Лупян Е.А., Прошин А.А., Бурцев М.А. и др. Опыт эксплуатации и развития центра коллективного пользования системами архивации, обработки и анализа спутниковых данных (ЦКП «ИКИ-Мониторинг») // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16, № 3. С. 151–170. https://doi.org/10.21046/2070-7401-2019-16-3-151-170

5.               Плотников Д.Е., Бойматов Ю.Ш., Ёлкина Е.С. и др. Оценка эффективности мультисезонных моделей машинного обучения для оперативного распознавания озимых культур на больших территориях // Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21, № 5. С. 116–129. https://doi.org/10.21046/2070-7401-2024-21-5-116-129

6.               Плотников Д.Е., Чжоу Ц., Колбудаев П.А. и др. Разработка и оценка индекса листовой поверхности LAI растительного покрова России на основе разноугловых наблюдений КМСС (Метеор-М) и нейросетевой инверсии модели PROSAIL // Компьютерная оптика. 2025. Т. 49, № 3. С. 504–516. https://doi.org/10.18287/2412-6179-CO-1621

7.               Середа И.И., Денисов П.В., Трошко К.А. и др. Уникальные условия развития озимых культур, наблюдаемые по данным спутникового мониторинга на европейской территории России в октябре 2020 г. // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17, № 5. С. 304–310. https://doi.org/10.21046/2070-7401-2020-17-5-304-310

8.               Страница Проекта DWATCH (Электронный ресурс). URL: http://smiswww.iki.rssi.ru/default.aspx?page=2&pk=177 (дата обращения: 18.01.2026).

9.               Страшная А.И., Барталев С.А., Максименкова Т.А. и др. Агрометеорологическая оценка состояния озимых зерновых культур в период прекращения вегетации с использованием наземных и спутниковых данных на примере Приволжского федерального округа // Тр. Гидрометеорологического научно-исследовательского центра Российской Федерации. 2014. № 351. С. 85–107.

10.            Федеральная служба государственной статистики (Электронный ресурс). URL: https://rosstat.gov.ru/ (дата обращения: 18.01.2026).

11.            AMIS Outlook Reports (Электронный ресурс). URL: https://www.amis-outlook.org/ (дата обращения: 18.01.2026).

12.            Becker-Reshef I., Justice C. GEOGLAM: Earth Observation for Agriculture and Food Security. GEOGLAM Website (Электронный ресурс). URL: https://geoglam.org/ (дата обращения: 18.01.2026).

13.            Bourgeon J., Diagne A., Druilhe Z. Recent practices and advances for AMIS crop yield forecasting. FAO Report, 2017.

14.            Ceglar A., van der Feltz O., Kurnik B. et al. Improving WOFOST model to simulate winter wheat phenology // Ecological Modelling. 2019. Vol. 397. P. 32–47. https://doi.org/10.1016/j.ecolmodel.2018.10.018

15.            de Wit A., Boogaard H., Fumagalli D. et al. 25 years of the WOFOST cropping systems model. Agricultural Systems. 2019. 168. Р. 154 –167. https://doi.org/10.1016/j.agsy.2018.12.003

16.            Dlamini L., Chivasa M., Mkhize N. et al. Estimating actual maize yield with WOFOST in data-scarce environments: A case study of South Africa // International Journal of Applied Earth Observation and Geoinformation. 2025. Vol. 146, Article 103666. https://doi.org/10.1016/j.jag.2025.103666

17.            Holzworth D.P., Huth N.I., deVoil P.G. et al. APSIM – Evolution towards a new generation of agricultural systems simulation // Environmental Modelling & Software. 2014. 62. Р. 327–350. DOI:10.1016/j.envsoft.2014.07.009

18.            Ines A. V.M., Das N.N., Hansen J.W. et al. Assimilation of remotely sensed soil moisture and vegetation with a crop simulation model for maize yield prediction // Remote Sensing of Environment. 2013. Vol. 138. P. 149–164. https://doi.org/10.1016/j.rse.2013.07.018

19.            Lobell D.B., Thau D., Seifert C. et al. A scalable satellite-based crop yield mapper // Remote Sensing of Environment. 2015. Vol. 164. P. 324–33. https://doi.org/10.1016/j.rse.2015.04.021

20.            Liu H., Pequeno D.N.L., Hernandez-Ochoa I.M. et al. A consistent calibration across three wheat models to simulate phenology and grain yield under temperate climate conditions // Ecological Modelling. 2020. Vol. 430. 109132. https://doi.org/10.1016/j.ecolmodel.2020.109132

21.            Li X., Jin Z., Liu Z. et al. Sensitivity Analysis of the WOFOST Crop Model for Maize Growth in the Semi-Arid Region of Northwest China // Agronomy. 2023. Vol. 13, Iss. 1. P. 87. https://doi.org/10.3390/agronomy13010087

22.            McCown R.L., Hammer G.L., Hargreaves J.N.G. et al. APSIM: a novel software system for model development, model testing and simulation in agricultural research // Agricultural Systems. 1996. Vol. 50(3). P. 255–271. https://doi.org/10.1016/0308-521X(94)00055-V

23.            Meroni M., Marinho E., Kayitakire F. Use and relevance of European Union crop monitoring and yield forecasting systems // Agricultural Systems. 2017. Vol. 161. Р. 163–171. https://doi.org/10.1016/j.agsy.2017.12.010

24.            NASA Technical Reports Server. The Arya Crop Yield Forecasting Algorithm. NASA Harvest Report. 2021. URL: https://ntrs.nasa.gov/citations/20210022691

25.            National Centers for Environmental Prediction (Электронный ресурс). URL: https://ncep.noaa.gov (дата обращения: 18.01.2026).

26.            Plotnikov D., Kolbudaev P., Matveev A. et al. Daily surface reflectance reconstruction using LOWESS on the example of various satellite systems // IEEE proceedings of ITNT 2022. VIIIth International Conference on Information Technology and Nanotechnology. IEEE. 2022. P. 9848630. https://doi.org/10.1109/ITNT55410.2022.9848630

27.            Stoorvogel J.J.; Mulder V.L. A Comparison, Validation, and Evaluation of the S-world Global Soil Property Database // Land. 2021. Vol 10, Iss. 5. P. 544. https://doi.org/10.3390/land10050544

28.            van Diepen C.A., Wolf J., van Keulen H. et al. WOFOST: a simulation model of crop production // Soil Use and Management. 1989. Vol. 5(1). P. 16–24. https://doi.org/10.1111/j.1475-2743.1989.tb00755.x

29.            Wu B., Meng J., Li Q. et al. Remote sensing-based global crop monitoring: The CropWatch system // Progress in Geography. 2018. Vol. 37, № 4. P. 428–439.

30.            Zheng J., Zhang Y., Bai H. et al. Modeling wheat development under extreme weather with WOFOST-EW v1. // Geoscientific Model Development Discussions, 2025. https://doi.org/10.5194/gmd-18-8379-2025. https://gmd.copernicus.org/articles/18/8379/2025/

31.            Росстат ЕМИСС (Электронный ресурс). URL: https://fedstat.ru/indicator/31533 (дата обращения: 18.01.2026).