Моделирование вегетационных циклов сои в южной части Дальнего Востока на основе оптических и радарных спутниковых изображений

Исследования проводили с целью построения моделей вегетационного развития сои на Дальнем Востоке на основе данных дистанционного зондирования Земли из космоса. Для достижения поставленной цели рассматривали оптические и радарные изображения, полученные со спутников Sentinel-1, Sentinel-2, а также спектрорадиометра MODIS для пахотных земель Хабаровского края (Хабаровский район) и Амурской области (Архаринский, Ивановский и Октябрьский районы) в 2021 г. Для отдельных полей с соей, попиксельно, были сформированы временные ряды Normalized Difference Vegetation Index (NDVI) и Dual polarimetric Radar Vegetation Index (DpRVI) (в период с апреля по октябрь 2021 г.), а также проведена оценка их характеристик в зависимости от географического расположения полей. Исследование по аппроксимации временных рядов сезонного хода NDVI для сои проводили с использованием преобразования Фурье, двойной логистической функции, функции Гаусса, двойной функции Гаусса и двойной синусоидальной функции. Средняя ошибка аппроксимации находилась в диапазоне от 7 до 15 % в зависимости от типа функции. Рассчитывали средние значения экстремумов и среднестатистический день наступления максимума аппроксимированных временных рядов. Графики сезонного хода NDVI и DpRVI для сои были схожими в разных районах южной части Дальнего Востока. При этом они существенно отличаются от графиков сезонного хода прочих сельхозкультур макрорегиона. Сформированные временные ряды могут быть использованы для идентификации, уточнения границ отдельных полей, контролирования севооборота сои. Для аппроксимации кривых сезонного хода NDVI наилучшие результаты обеспечило использование преобразования Фурье и двойной логистической функции – ошибка составила соответственно 6,99 и 7,61 %.

1. Dissecting the genetic basis of local adaptation in soybean / N. B. Bandello, J. E. Anderson, M. B. Kantar, et al. // Scientific Reports. 2017. Vol. 7. No. 1. Article 17195. URL: https://www.nature.com/articles/s41598-017-17342-w?e (дата обращения: 23.10.2022).

2. Васина Е. А., Бутовец Е. С., Лукьянчук Л. М. Результаты изучения исходного материала сои в условиях Приморского края для селекционных целей // Труды по прикладной ботанике, генетике и селекции. 2022. Т. 183. № 4. С. 19–29. doi: 10.30901/2227-8834-2022-4-19-29.

3. Ашиев А. Р., Хабибуллин К. Н., Скулова М. В. Агроэкологическая оценка новых линий сои селекции ФГБНУ «АНЦ Донской» // Зерновое хозяйство России. 2019. № 6 (66). С. 7–11. doi: 10.31367/2079-8725-2019-66-6-7-11.

4. Создание высокопродуктивного сорта сои классическими методами селекции / В. В. Толоконников, Т. С. Кошкарова, Г. О. Чамурлиев и др. // Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. 2021. № 2 (62). С. 87–93. doi 10.32786/2071-9485-2021-02-09.

5. Has photosynthetic capacity increased with 80 years of soybean breeding? An examination of historical soybean cultivars / R. P. Koester, M. N. Brittany, W. D. Brian, et al. // Plant, cell & environment. 2015. Vol. 39. No. 5. P. 1058–1067. doi: 10.1111/pce.12675.Epub.

6. Синеговская В. Т., Фокина Е. М. Селекция сои как инструмент решения задач импортозамещения в Дальневосточном федеральном округе // Труды Кубан. гос. аграр. ун-та. 2018. Вып. 72. С. 328–331. doi: 10.21515/19991703-72-328-331.

7. Genome-wide association mapping for seed protein and oil contents using a large panel of soybean accessions / D. Li, X. Zhao, Y. Han, et al. // Genomics. 2019. Vol. 111. No. 1. P. 90–95. doi: 10.1016/j.ygeno.2018.01.004.

8. Genome-wide association analysis identified consistent QTL for seed yield in a soybean diversity panel tested across multiple environments / H. Ayalew, W. Schapaugh, T. Vuong, et al. // Plant Genome. 2022. Vol. 15. No. 4. Article 20268. URL: https://acsess.onlinelibrary.wiley.com/doi/10.1002/tpg2.20268 (дата обращения: 15.01.2023). doi: 10.1002/tpg2.20268.

9. Клычова Г. С., Цыпин А. П., Валиев А. Р. Перспективы развития рынка сои и его значимость для Российской экономики // Вестник Казанского государственного аграрного университета. 2021. Т. 16. № 3 (63). С. 128–134. doi: 10.12737/2073-0462-2021-128-134.

10. Красовская А. В., Степанов А. Ф., Веремей Т. М. Влияние агрометеорологических факторов на формирование урожая и качество зерна сортов сои // Вестник КрасГАУ. 2022. № 8 (185). С. 51–58. doi: 10.36718/18194036-2022-8-51-58.

11. Галиченко А. П., Фокина Е. М. Влияние метеорологических условий на формирование урожайности сортов сои селекции ВНИИ сои // Аграрный вестник Урала. 2022. № 7 (222). С. 16–25. doi: 10.32417/1997-4868-2022-22207-16-25.

12. Белышкина М. Е. Фотосинтетическая деятельность посевов и формирование урожая раннеспелых сортов сои // Известия Тимирязевской сельскохозяйственной академии. 2019. № 1. С. 34–44.

13. Тараканов Р. И. Оценка устойчивости сортов сои к бактериальным болезням на искусственном инфекционном фоне // Известия Тимирязевской сельскохозяйственной академии. 2022. № 5. С. 92–107. doi: 10.26897/0021342X-2022-5-92-107.

14. Селекционно-генетический анализ гибридов сои первого – третьего поколения / Е. С. Бутовец, Е. А. Васина, Г. О. Кукуруза и др. // Дальневост. аграр. вестн. 2021. № 4 (60). С. 15–22. doi: 10.24412/1999-6837-2021-4-15-22.

15. Butovets E. S., Lukyanchuk L. M., Vasina E. A. Comparative assessment of promising soybean varieties at the final selection stage // Lecture notes in networks and systems. 2022. Vol. 353. Р. 219–229. doi: 10.1007/978-3-030-91402-8_26.