Ансамблевая калибровка биофизической модели APSIM Next Generation для регионального моделирования урожайности яровой пшеницы

В работе представлены результаты регионального моделирования урожайности яровой пшеницы на основе биофизической модели APSIM Next Generation (APSIM NG), адаптированной к почвенно-климатическим условиям Алтайского края (APSIM Initiative, 2024; Holzworth et al., 2014).
Актуальность работы определяется потребностью в пространственно распределённом опорном ряде урожайности для верификации оценок, получаемых методами дистанционного зондирования Земли (ДЗЗ). В условиях, когда фактическая урожайность по муниципальным районам не публикуется в открытом доступе, а эталонной основой остаётся лишь интегральная региональная статистика, пространственная валидация спутниковых оценок существенно ограничена. Методы математического моделирования, опирающиеся на локальные почвенно-климатические данные, представляют собой независимый источник информации. Взаимная верификация двух подходов позволяет повысить достоверность каждого из них и получить пространственные оценки урожайности на субрегиональном уровне.
Информационной основой работы служат спутниковые данные, результаты метеорологического анализа реанализа ERA5-Land за 2018–2025 гг. (Muñoz-Sabater et al., 2021), почвенные характеристики из глобальной базы SoilGrids (Poggio et al., 2021) и региональных источников, гидрофизические параметры почвенных профилей, рассчитанные по методике Saxton & Rawls (Saxton, Rawls, 2006), а также фактическая урожайность яровых зерновых культур по данным Росстата, служившая целевым рядом.
Предлагается схема ансамблевой (совместной) калибровки модели с использованием шести конфигураций – по одной на каждую почвенно-климатическую подзону края (Барнаул, Заринск, Рубцовск, Алейск, Хабары, Белокуриха). Такой подход обусловлен тем, что фактическая урожайность доступна в агрегированном виде на уровне субъекта, тогда как модель работает с локальными почвенно-климатическими условиями. Технологические параметры (густота посева, норма азота, глубина заделки семян, ширина междурядий) принимаются общими для региона, а локальные агроклиматические условия учитываются индивидуальными коэффициентами водопотребления культуры и порогами начала посевной кампании. Оптимизация целевой функции выполнена с использованием генетического алгоритма (библиотека DEAP) (Deb, 2001).
Для подавления эффекта высокой дисперсии ансамбля в целевую функцию введён штраф за межлокационную неоднородность ошибок, основанный на среднеквадратичном отклонении и максимальной абсолютной ошибке по локациям, усреднённых по всем годам калибровки.
Анализ результатов показал, что предложенный метод снижает RMSE интегрального ряда с 1,48 до 0,69 ц/га (на 53 %), коэффициент детерминации растёт с 0,76 до 0,95, средняя абсолютная процентная ошибка (MAPE) сокращается с 8,1 до 3,4 %, а среднее смещение (MBE) уменьшается с +0,93 до +0,08 ц/га.
Работа выполнена при поддержке Министерства науки и высшего образования РФ (государственное задание, проект FZMW-2026-0007 «Изменения климата Западной Сибири во второй четверти XXI века: новые технологии и данные, оценки влияния на природную среду и экономику региона»).