ОПЫТ ПРИМЕНЕНИЯ МЕТОДОВ МАТЕМАТИЧЕСКОЙ СТАТИСТИКИ ДЛЯ ОЦЕНКИ СОСТОЯНИЯ СЕЛЬСКОХОЗЯЙСТВЕННЫХ РАСТЕНИЙ (original) (raw)

ОПЫТ ПРИМЕНЕНИЯ МЕТОДОВ МАТЕМАТИЧЕСКОЙ СТАТИСТИКИ ДЛЯ ОЦЕНКИ СОСТОЯНИЯ СЕЛЬСКОХОЗЯЙСТВЕННЫХ РАСТЕНИЙ

2019, Sel'skokhozyaistvennaya Biologiya

Решение задач, связанных с оценкой состояния сельскохозяйственных растений в период вегетации, позволяет эффективно использовать удобрения, получать выгодную урожайность, улучшать качественные характеристики растений, а также экологическое состояние поля. Все более перспективным направлением в точном земледелии становится применение различных методов математической статистики. Нашей целью была оценка состояния сельскохозяйственных растений с использованием подхода, основанного на совместном применении методов кригинга и бинарной регрессии, а также определение обеспеченности посевов азотом по индексу NDVI (Normalized Difference Vegetation Index). Исследования проводили на участке опытного поля, расположенного на территории филиала Агрофизического института (д. Меньково, Ленинградская обл.) в 2015 году. С помощью аэрофотоснимков, сделанных с автоматизированного беспилотного летательного комплекса Геоскан-401 («Геоскан», Россия), был получен набор значений вегетационного индекса NDVI в произвольных точках участка. Также провели ряд наземных измерений. Предложенный подход к оценке состояния сельскохозяйственных растений заключался в совместном использовании двух методов математической статистики: ординарного кригинга и логистической регрессии. Осуществляли предварительный вариограммный анализ, выполняли построение модели вариограммы. После этого методом кригинга вычисляли ряд прогнозируемых значений исследуемого параметра. На следующем этапе устанавливали пороговое значение параметра для исследуемого участка, а также вводили фиктивную переменную, принимающую значение 1, если величина параметра превышала порог, и 0 в противном случае. Затем строили логитмодель, в которой одним из факторов был ряд оценок интересующего параметра, полученных с использованием метода ординарного кригинга. Входные данные для построения логит-моделей были следующими: N(x i)-значение NDVI в местоположении x i , i = 1,78; переменная T = 1, если N(x i)  0,46, иначе T = 0; переменные X и Y-координаты наблюдений, рассматриваются в качестве объясняющих переменных; N pred (x i)-величины параметра, спрогнозированные с использованием метода кригинга в наблюдаемых точках. Все вычисления выполнялись с помощью языка программирования R. В результате проведенного эксперимента были построены три логитмодели с зависимой переменной T: в первой модели объясняющие переменные X и Y, во второй модели-X, Y и N pred , в третьей модели-N pred. Тестирование показало, что при добавлении переменной N pred логит-модель работает лучше (в 2 раза меньше ошибочного определения исследуемого параметра). Полученные результаты дают основание полагать, что добавление в факторы бинарной регрессии набора спрогнозированных методом кригинга величин позволяет существенно повысить точность расчетов.