- Статьи
- Наука и техника
- Посчитать плоды: новая модель предупредит о возможном неурожае без дополнительных затрат
Посчитать плоды: новая модель предупредит о возможном неурожае без дополнительных затрат
Российские ученые разработали модель, которая позволяет заранее прогнозировать риск неурожая сельскохозяйственных культур без дорогостоящих спутниковых снимков. Система создает цифровой двойник растения и моделирует его развитие с учетом погодных условий и особенностей почвы. Технологию можно использовать и для прогнозов на десятки лет — в том числе чтобы оценивать, как разные культуры будут чувствовать себя в конкретном регионе на фоне изменения климата. Это позволит аграриям заранее выбирать наиболее подходящие растения и при необходимости менять структуру посевов. По словам экспертов, технология может быть полезна как отдельным хозяйствам, так и при решении задач продовольственной безопасности страны.
Мировая сельскохозяйственная модель для России
Ученые из Института космических исследований РАН, МГУ имени М.В. Ломоносова и китайского Технологического университета Чэнду разработали метод, способный заранее предсказывать неурожаи сельскохозяйственных культур на основании только погодных данных и почвенной информации на больших территориях. Для этого достаточно данных о погоде и характеристиках почвы. За основу исследователи взяли широко используемую в мире систему WOFOST и адаптировали ее к российским условиям. Модель создает цифровой двойник растения и рассчитывает его развитие в зависимости от окружающих почвенно-климатических условий. Точность прогнозов достигает 80%.
— Получение цифровых двойников растений с учетом особенностей каждого района позволяет, во-первых, делать раннюю оценку состояния на основе региональных почвенно-климатических норм. Это фактически основа системы раннего предупреждения о возможном неурожае. Во-вторых, с использованием климатических сценариев за 2050 и 2100 годы позволяет оценить потенциальную урожайность российских ключевых культур в условиях изменения климата — то есть установить, какие регионы и какие культуры могут стать нерентабельными и оказаться в зоне риска, если оставить «всё как есть», — сказал руководитель проекта, заведующий сектором Методов дистанционной оценки состояния и мониторинга используемых земель Института космических исследований РАН Дмитрий Плотников.
На основе почвенно-климатических данных система моделирует рост и развитие выбранных культур в конкретном районе. Одной из основных проблем при адаптации модели к российским условиям разработчики назвали недостаточную точность доступной информации о почвах. Глобальные почвенные реестры для России не всегда надежны из-за отсутствия необходимой верификации. Поэтому исследователи использовали почвенную карту РСФСР советского периода, которая охватывает практически всю территорию современной страны. Эти данные отличаются высокой тематической точностью, однако изначально не предназначались для загрузки в цифровые модели. Ученым пришлось вручную сопоставить сведения с информацией, используемой системой.
— В современных условиях достижение продовольственной независимости — одна из стратегических целей нашей страны. Имитационное динамическое моделирование в идеале позволяет в режиме реального времени оценивать потенциальную урожайность на уровне области, района и отдельного поля. При этом для России, охватывающей различные природные зоны, разнообразие климатических и почвенных условий становится одним из факторов, определяющих способность сортов сельскохозяйственных культур реализовать свой потенциал урожайности, — пояснила доцент кафедры общего земледелия и агроэкологии факультета почвоведения МГУ им. М.В. Ломоносова Юлия Мешалкина.
Минимизировать ошибки при прогнозировании урожайности
Для настройки модели ученые выбрали три наиболее распространенные в исследуемых регионах культуры — кукурузу, ячмень и подсолнечник. Для их цифровых двойников настроили фенологические параметры, характеристики фотосинтеза и особенности распределения питательных веществ.
— Прогнозирование урожайности без обязательного использования данных дистанционного зондирования представляет значительный интерес, прежде всего при оценке больших территорий. Такой подход снижает зависимость от наличия спутниковых наблюдений необходимого качества и временного разрешения, а также сокращает объем обрабатываемых пространственных данных. Это особенно важно в случаях, когда получение репрезентативных спутниковых снимков затруднено из-за облачности или недостаточной периодичности съемки, — отметила старший преподаватель агробиотехнологического департамента Аграрно-технологического института РУДН Валерия Гресис.
На первом этапе исследования ученые стремились максимально точно синхронизировать расчетные даты цветения и созревания культур с реальными среднемноголетними показателями для каждого района. Затем модель настраивали таким образом, чтобы минимизировать погрешность прогнозирования урожайности.
— Наша точность достаточно высока и сопоставима с результатами зарубежных исследований высокого уровня, выполненных в аналогичных условиях — на основе глобальных почвенно-климатических наборов данных, без использования спутниковой или точечной метеорологической и полевой информации, — отметил Дмитрий Плотников.
Для подсолнечника средняя ошибка на проверочных данных составила около 24%, для кукурузы — 26%, для ячменя — 24%. При этом удалось добиться практически полного нивелирования систематических ошибок при оценке урожайности. Разработчики отмечают, что впервые в России удалось настолько детально настроить модель, чтобы она не только прогнозировала урожайность, но и заранее выявляла отклонения в развитии растения от климатической нормы — одним из главных индикаторов неурожая.
— Такие прогнозы востребованы как на уровне отдельных хозяйств, так и в региональном и федеральном масштабах. Они позволяют предварительно оценивать валовой сбор, планировать уборочную кампанию, логистику хранения, транспортировки и переработки урожая, а также анализировать риски, связанные с неблагоприятными погодными условиями, — сказала Валерия Гресис.
В дальнейшем авторы проекта планируют разработать модели машинного обучения, которые будут использовать как созданную технологию, так и данные спутникового наблюдения.
