Информативность спутниковых оценок эвапотранспирации для анализа районной урожайности озимой пшеницы

Спутниковые оценки эвапотранспирации характеризуют водный обмен растительного покрова и почвы и могут содержать информацию об условиях формирования урожая. Однако их связь с урожайностью зависит от пространственного и временного согласования данных: последовательности растров необходимо сопоставить с единственным значением урожайности за год для административного района. В работе исследуется предсказательная информативность сезонных характеристик эвапотранспирации при таком агрегированном отклике. Рассматривается, насколько качество восстановления районной урожайности сохраняется при исключении из обучения отдельных районов, отдельных лет и последних лет наблюдений.

Исследование выполнено для 43 районов Ростовской области за 2009-2023 гг.; целевая переменная - районная урожайность озимой пшеницы, всего 645 наблюдений "район-год". Через платформу Google Earth Engine получены данные продукта MODIS/Terra MOD16A2GF с пространственным разрешением 500 м и шагом 8 суток за апрель-июль. Продукт содержит модельные оценки актуальной (ETa) и потенциальной (PET) эвапотранспирации, рассчитанные с использованием алгоритма на основе уравнения Пенмана-Монтейта, спутниковых характеристик поверхности и метеорологического реанализа (Mu, Zhao, Running, 2011). Дополнительно использован относительный дефицит эвапотранспирации, определяемый как отношение разности PET и ETa к PET. Пиксели отбирались по ежегодной классификации MODIS/Terra и Aqua MCD12Q1: классы пахотных земель и мозаики пахотных земель с естественной растительностью (Friedl, Sulla-Menashe, 2022). Эта маска не выделяет посевы озимой пшеницы.

Исследованы два способа представления данных. В статистическом представлении для каждого месяца и каждого из трёх показателей рассчитывались среднее, стандартное отклонение и медиана по доступным значениям пикселей и дат; получался вектор из 36 признаков. В регрессии с агрегированным откликом (multiple-instance regression, MIR) временной ряд каждого пикселя преобразовывался свёрточным энкодером в 16-мерный вектор. Нелинейная регрессионная функция применялась к этим векторам, а её выходы усреднялись по району. Энкодер и регрессионная функция обучались по ошибке районной урожайности; урожайность отдельных пикселей не наблюдалась. Контрастивное предобучение использовалось для инициализации энкодера. Такой способ обработки сохраняет отдельные пиксельные траектории до этапа прогнозирования, но не учитывает расположение пикселей относительно друг друга.

Качество оценивалось по коэффициенту детерминации и среднеквадратичной ошибке RMSE. Использовались три самостоятельные схемы: исключение одного района за все годы (43 разбиения), исключение одного года во всех районах (15 разбиений) и обучение по урожайности 2009-2021 гг. с проверкой на 2022-2023 гг. Первые две схемы выполнялись на всей панели 2009-2023 гг. В варианте MIR нормализация и предобучение использовали спутниковые данные всех лет без меток урожайности, включая годы проверки. Поэтому его оценки относятся к трансдуктивной постановке; исключение целевых значений последних лет не означает полного исключения информации об их входных данных.

Для MIR, использующей только ETa, PET и производный показатель, коэффициент детерминации составил 0,829 при исключении района, 0,677 при исключении года и 0,382 при проверке на 2022-2023 гг.; в последнем случае среднеквадратичная ошибка составила 6,22 ц/га. Для сопоставления модель гауссовского процесса по месячным статистикам, дополненным сведениями о внесении азотных, фосфорных и калийных удобрений, вегетационными индексами NDVI и EVI и агрометеорологическими признаками, дала значения коэффициента детерминации соответственно 0,838; 0,729; 0,607, а среднеквадратичная ошибка на 2022-2023 гг. - 4,96 ц/га. NDVI и EVI характеризуют растительный покров по спектральной отражательной способности. Эти результаты относятся к разным наборам входных признаков и не изолируют эффект архитектуры или дополнительный вклад ETa.

Снижение качества при исключении целого года по сравнению с исключением района указывает на большую трудность межгодового переноса в исследуемой выборке. Оно не доказывает преобладания временных факторов над географическими. Спутниковые характеристики эвапотранспирации связаны с районной урожайностью в рамках рассмотренной постановки, однако полученные оценки не позволяют установить предел их информативности для самой культуры. Ключевое ограничение - несовпадение территории извлечения признаков с площадью посевов пшеницы: модель может использовать общий агроклиматический сигнал и изменяющийся состав культур. Для проверки связи именно с озимой пшеницей необходимы ежегодные маски её посевов и согласование агрегации с убранной площадью. Дополнительный вклад эвапотранспирации требует сравнения моделей с одинаковыми условиями обучения при включении и исключении соответствующих признаков. Расширение описания распределений за счёт дополнительных квантилей остаётся направлением дальнейших экспериментов.