с 01.01.2017 по настоящее время
УДК 631.559 Урожайность
УДК 528.8 Дистанционное зондирование. Методы и приборы
В данной статье рассматривается методика вычисления продуктивности сельскохозяйственных культур в эквивалентных значениях. Это необходимо для сравнения урожайности сельскохозяйственных культур различных групп между собой. Также подобная оценка используется при анализе рентабельности инвестиционных проектов и эффективности экономической деятельности. Инструменты геоинформационной системы используются для визуализации расчетов. Приводятся результаты исследования авторов за период 2024 и 2025 гг. Анализируются геореференцированные растры NDVI. Отмечается, что на практике для оптимизации вычислений и обработки атрибутивной информации выполняют прямой анализ растров и извлечение статистики. Точность прогноза также определяется точностью оценки вероятного уровня урожайности исходной модели. Актуальность исследования обоснована тем, что для оценки эффективности мелиоративных мероприятий в настоящее время используется эквивалентная оценка урожайности в зерновых единицах как показатель эффективности выполнения запланированных мероприятий получателями субсидии. Результаты могут быть также использованы Департаментом мелиорации Минсельхоза России для дальнейшего совершенствования отраслевой информационной системы.
урожайность, геоинформационная система, моделирование, мелиорация
1. Савин И.Ю., Барталев С.А., Лупян Е.А., Толпин В.А., Хвостиков С.А. Прогнозирование урожайности сельскохозяйственных культур на основе спутниковых данных: возможности и перспективы // Соврем. проблемы дистанц. зондирования Земли из космоса. 2010. Т. 7. № 3. С. 275-285.
2. Зверьков М.С., Смелова С.С. Научно-аналитический обзор методов прогнозирования урожайности сельскохозяйственных культур // Экология и строительство. 2023. № 2. C. 4–14. doi:https://doi.org/10.35688/2413-8452-2023-02-001.
3. Евчук М.В., Батыров В.А., Оросов С.А. Эффективность возделывания сорговых культур в условиях центральной зоны Республики Калмыкия // Экология и строительство. 2025. No 1. C. 28–34. DOI:https://doi.org/10.35688/2413-8452-2025-01-004.
4. Татаринцев Л.М., Татаринцев В.Л. Определение оптимальных гидротермических условий произрастания пшеницы мягкой яровой в засушливой степи Алтайского края // Экология и строительство. 2025. No 3. C. 12–22. DOI:https://doi.org/10.35688/2413-8452-2025-03-002.
5. Mapping irrigated areas in Afghanistan over the past decade using MODIS NDVI / Shahriar Pervez, M., Budde, M. & Rowland, J. // Remote Sensing of Environment. 2014. Vol. 149. P. 155–165.
6. Оценка площади и объема полигона твердых бытовых отходов с использованием данных дистанционного зондирования Земли / Д. И. Маклашин, М. Р. Вагизов, Р. М. Бобровская // Экология и строительство. 2025. № 2. С. 39-47. DOI:https://doi.org/10.35688/2413-8452-2025-02-005. EDN FNMMIE.
7. Hassan M. et al. A rapid monitoring of NDVI across the wheat growth cycle for grain yield prediction using a multi-spectral UAV platform // Plant Science (journal). 2019, Vol. 282, P. 95–103.
8. Bede L., Milics G. et al. Yield Prediction Using NDVI Values from GreenSeeker and MicaSense Cameras at Different Stages of Winter Wheat Phenology // Drones. 2024, Vol. 8, P. 88. DOI:https://doi.org/10.3390/drones8030088.
9. Feng, D., Yang, H., Gao, K., Jin, X., Li, Z., Nie, C., … Li, S. (2025). Time-series NDVI and greenness spectral indices in mid-to-late growth stages enhance maize yield estimation. Field Crops Research, 333. DOI:https://doi.org/10.1016/j.fcr.2025.110069
10. Zheng B. et al. Dynamic monitoring of NDVI in wheat agronomy and breeding trials using an unmanned aerial vehicle // Field Crops Research (Elsevier B.V.). 2017, Vol. 210, P. 71–80.
11. Dahal S. et al. Using NDVI to Differentiate Wheat Genotypes Productivity Under Dryland and Irrigated Conditions // Remote Sensing (journal). 2020, Vol. 12, 824.
12. Zhang J. et al. Machine learning techniques and interpretability for maize yield estimation using Time-Series images of MODIS and Multi-Source data // Computers and Electronics in Agriculture. 2024. Vol. 222. DOI:https://doi.org/10.1016/j.compag.2024.109063.
13. Mirhoseini Nejad S. M. et al. A Deep Neural Network for Crop Yield Prediction Using Earth Observations and Remotely Sensed Data // Journal of Se. T. in Applied Earth Obs. and Rem. Se. 2024. Vol. 17, P. 17489–17502. DOI:https://doi.org/10.1109/JSTARS.2024.3464411.
14. Lavalle C. et al. Economic evaluation of agricultural land to assess land use changes // LUP. 2016. Vol. 56. DOI:https://doi.org/10.1016/j.landusepol.2016.04.020.
15. Zhi, Y., Li, X., Shen, T. et al. Land productivity declines in the GGW while human contributions to restoration far outweighing degradation. Sci Rep 15, 34948 (2025). DOI:https://doi.org/10.1038/s41598-025-18963-2.
