Дані дистанційного зондування для оцінки стресу від посухи та продуктивності сільськогосподарських угідь у Херсонській області
Анотація
Дані дистанційного зондування Землі є цінним джерелом інформації про стан навколишнього середовища в цілому та сільськогосподарських угідь зокрема. У статті описано результати вивчення застосування індексу здоров’я рослинності (VHI), індексу сільськогосподарського стресу (ASI) та індексу інтенсивності посухи (WMVHI) для оцінки інтенсивності негативної дії посушливих явищ на агрофітоценози у контексті їх кореляції з метеорологічним індексом аридності та продуктивністю сільськогосподарських земель Херсонської області. Дослідження базувалося на даних, знятих у період 1984-2022 рр., щодо врожайності основних сільськогосподарських культур у регіоні (озима та яра пшениця, ячмінь, кукурудза, соняшник) та величині вегетаційних індексів, розрахованих у відповідності до методики ФАО ООН за супутниковими знімками сервісу FAO Earth Observation Services. Індекс аридності було оцінено за методикою UNEP за даними Херсонського обласного гідрометеорологічного центру. Статистичну обробку даних виконували згідно традиційних методик кореляційно-регресійного аналізу та моделювання у Microsoft Excel 365 та BioStat v.7. У результаті досліджень встановлено, що супутникові вегетаційні індекси тісно корелюють із продуктивністю досліджуваних сільськогосподарських культур, та можуть бути успішно використані для стратегічного та оперативного прогнозування їх урожайності. Щодо метеорологічного індексу аридності, то він слабо корелює з урожайністю культурних рослин, і є суто кліматологічним показником, який має другорядне значення для оцінки стану та прогнозування продуктивності агрофітоценозів. Таким чином, запропоновано новий підхід до оцінки інтенсивності впливу посушливих явищ на агрофітоценози півдня України та прогнозу їх продуктивності за даними дистанційного зондування Землі, що має високу науково-теоретичну та практичну цінність.
Завантаження
Посилання
Devendra, C. (2012). Climate change threats and effects: challenges for agriculture and food security. Kuala Lumpur: Academy of Sciences Malaysia.
Tkachuk, O.P., & Viter, N.G. (2023). Dynamika klimatychnykh pokaznykiv ta ikh vplyv na urozhainist osnovnykh silskohospodarskykh kultur u Vinnytskii oblasti [Dynamics of climatic indicators and their influence on the productivity of the main agricultural crops in the Vinnytsia region]. Agrarian Innovations, 17, 139–149. [In Ukrainian] https://doi.org/10.32848/agrar.innov.2023.17.19
El-Beltagy, A., & Madkour, M. (2012). Impact of climate change on arid lands agriculture. Agriculture & Food Security, 1, 1–12. https://doi.org/10.1186/2048-7010-1-3
Rosa, L., Chiarelli, D. D., Rulli, M. C., Dell’Angelo, J., & D’Odorico, P. (2020). Global agricultural economic water scarcity. Science Advances, 6(18), eaaz6031. https://doi.org/10.1126/sciadv.aaz6031
Colantoni, A., Delfanti, L., Cossio, F., Baciotti, B., Salvati, L., Perini, L., & Lord, R. (2015). Soil aridity under climate change and implications for agriculture in Italy. Applied Mathematical Sciences, 9(50), 2467–2475. https://doi.org/10.12988/ams.2015.52112
Arora, V. K. (2002). The use of the aridity index to assess climate change effect on annual runoff. Journal of hydrology, 265(1-4), 164–177. https://doi.org/10.1016/S0022-1694(02)00101-4
Bannayan, M., Sanjani, S., Alizadeh, A., Lotfabadi, S. S., & Mohamadian, A. (2010). Association between climate indices, aridity index, and rainfed crop yield in northeast of Iran. Field crops research, 118(2), 105–114. https://doi.org/10.1016/j.fcr.2010.04.011
Van Hoolst, R., Eerens, H., Haesen, D., Royer, A., Bydekerke, L., Rojas, O., ... & Racionzer, P. (2016). FAO’s AVHRR-based Agricultural Stress Index System (ASIS) for global drought monitoring. International Journal of Remote Sensing, 37(2), 418–439. https://doi.org/10.1080/01431161.2015.1126378
Rojas, O., Li, Y., & Cumani, R. (2014). Understanding the drought impact of El Niño on the global agricultural areas: an assessment using FAO's Agricultural Stress Index (ASI) (No. 23). Food and Agriculture Organization of the United Nations (FAO).
Gouveia, C., Trigo, R. M., & DaCamara, C. C. (2009). Drought and vegetation stress monitoring in Portugal using satellite data. Natural Hazards and Earth System Sciences, 9(1), 185–195. https://doi.org/10.5194/nhess-9-185-2009
Karnieli, A., Bayasgalan, M., Bayarjargal, Y., Agam, N., Khudulmur, S., & Tucker, C. J. (2006). Comments on the use of the vegetation health index over Mongolia. International Journal of Remote Sensing, 27(10), 2017–2024. https://doi.org/10.1080/01431160500121727
Bento, V. A., Gouveia, C. M., DaCamara, C. C., & Trigo, I. F. (2018). A climatological assessment of drought impact on vegetation health index. Agricultural and forest meteorology, 259, 286–295. https://doi.org/10.1016/j.agrformet.2018.05.014
Rahman, A., Roytman, L., Krakauer, N. Y., Nizamuddin, M., & Goldberg, M. (2009). Use of vegetation health data for estimation of Aus rice yield in Bangladesh. Sensors, 9(4), 2968–2975. https://doi.org/10.3390/s90402968
Kogan, F., Guo, W., Yang, W., & Shannon, H. (2018). Space-based vegetation health for wheat yield modeling and prediction in Australia. Journal of Applied Remote Sensing, 12(2), 026002-026002. https://doi.org/10.1117/1.JRS.12.026002
Rojas, O. (2020). Agricultural extreme drought assessment at global level using the FAO-Agricultural Stress Index System (ASIS). Weather and Climate Extremes, 27, 100184. https://doi.org/10.1016/j.wace.2018.09.001
Vozhehova, R.A. (2021). Dynamika zminy temperaturnoho rezhymu ta kilkosti opadiv u Khersonskii oblasti v konteksti zmin klimatu [Dynamics of changes in air temperature and precipitation amounts in Kherson oblast in the context of climate change]. Agrarian Innovations, 5, 17–21. [In Ukrainian] https://doi.org/10.32848/agrar.innov.2021.5.3
Beck, H. E., Zimmermann, N. E., McVicar, T. R., Vergopolan, N., Berg, A., & Wood, E. F. (2018). Present and future Köppen-Geiger climate classification maps at 1-km resolution. Scientific data, 5(1), 1–12. https://doi.org/10.1038/sdata.2018.214
Beck, H. E., Zimmermann, N. E., McVicar, T. R., Vergopolan, N., Berg, A., & Wood, E. F. (2020). Publisher Correction: Present and future Köppen-Geiger climate classification maps at 1-km resolution. Scientific data, 7, 274. https://doi.org/10.1038/s41597-020-00616-w
Vozhehova, R., Lykhovyd, P., & Biliaieva, I. (2020). Aridity assessment and forecast for Kherson oblast (Ukraine) at the climate change. EurAsian Journal of BioSciences, 14(1), 1455–1462.
Gogtay, N.J., & Thatte, U.M. (2017). Principles of correlation analysis. Journal of the Association of Physicians of India, 65(3), 78–81.
Evans, J.D. (1995). Straightforward Statistics for the Behavioral Sciences; Thomson Brooks/Cole Publishing Co: Portland, USA. 624 pp.
Pandey, S. (2020). Principles of correlation and regression analysis. Journal of the practice of cardiovascular sciences, 6(1), 7–11. https://doi.org/10.4103/jpcs.jpcs_2_20
Lykhovyd, P. (2021). Irrigation needs in Ukraine according to current aridity level. Journal of Ecological Engineering, 22(8), 11–18. https://doi.org/10.12911/22998993/140478
Rojas, O., Li, Y., & Cumani, R. (2014). Understanding the drought impact of El Niño on the global agricultural areas: an assessment using FAO's Agricultural Stress Index (ASI) (No. 23). Food and Agriculture Organization of the United Nations (FAO).
Rojas, O., & Ahmed, S. (2016). Feasibility of using the FAO-Agricultural Stress Index System (ASIS) as a remote sensing based index for crop insurance. Flood and Agriculture Organization of the United Nations.
Masitoh, F., & Rusydi, A. N. (2019, November). Vegetation Health Index (VHI) analysis during drought season in Brantas Watershed. In IOP Conference Series: Earth and Environmental Science (Vol. 389, No. 1, p. 012033). IOP Publishing. https://doi.org/10.1088/1755-1315/389/1/012033
Zeng, J., Zhou, T., Qu, Y., Bento, V. A., Qi, J., Xu, Y., ... & Wang, Q. (2023). An improved global vegetation health index dataset in detecting vegetation drought. Scientific Data, 10(1), 338. https://doi.org/10.1038/s41597-023-02255-3
Kloos, S., Yuan, Y., Castelli, M., & Menzel, A. (2021). Agricultural drought detection with MODIS based vegetation health indices in southeast Germany. Remote Sensing, 13(19), 3907. https://doi.org/10.3390/rs13193907
Ma’Rufah, U., Hidayat, R., & Prasasti, I. (2017). Analysis of relationship between meteorological and agricultural drought using standardized precipitation index and vegetation health index. In IOP conference series: earth and environmental science (Vol. 54, No. 1, p. 012008). IOP Publishing. http://doi.org/10.1088/1755-1315/54/1/012008
Kussul, N., Shelestov, A., Kolotii, A., & Yashchuk, D. (2015). Wheat yield forecasting in Ukraine. In 17th International Conference “Astronomy School for Young Scientists. Problems of Astronomy and Space”, Zhytomyr, Ukraine, 2015, 96–97.
Rahman, A., Roytman, L., Krakauer, N. Y., Nizamuddin, M., & Goldberg, M. (2009). Use of vegetation health data for estimation of Aus rice yield in Bangladesh. Sensors, 9(4), 2968–2975. https://doi.org/10.3390/s90402968
Chakraborty, D., Sehgal, V. K., Ray, M., Dhakar, R., Sahoo, R. N., Das, D. K., ... & Kumar, P. (2018). District-wise statistical yield modelling of wheat using weather and remote sensing inputs. Journal of Agricultural Physics, 18(1), 48–57.
Kussul, N., Kolotii, A., & Shelestov, A. (2014). Estimating relative efficiency of use multisource satellite data for winter wheat yield forecasting in Ukraine. In Earth observation for sustainable development and security: Materials of reports of the Fourth International Conference “GEO-UA 2014“, Kyiv, Ukraine, 62–64.
Kogan, F., Popova, Z., Singh, R., & Alexandrova, P. (2018). Early forecasting corn yield using ground truth data and vegetation health indices in Bulgaria. Bulgarian Journal of Agricultural Science, 24 (Suppl. 2), 57–67.
Цю роботу ліцензовано за Міжнародня ліцензія Creative Commons Attribution 4.0.
