Гидрометеорологические исследования и прогнозы. 2023. № 4 (390). С. 118-137

118

DOI: https://doi.org/10.37162/2618-9631-2023-4-118-137

УДК 633.1+551.5

Агрометеорологические условия

и прогнозирование урожайности зерновых

и зернобобовых культур в субъектах восточной части

Сибирского федерального округа

А.И. Страшная, А.В. Павлова,

Т.В. Кулакова, П.С. Кланг

Гидрометеорологический научно-исследовательский центр

Российской Федерации, г. Москва, Россия

ais@mecom.ru

Представлены результаты исследований агрометеорологических условий и воз-

можности использования спутниковой информации для оценки и прогнозирования

урожайности зерновых и зернобобовых культур в субъектах восточной части Сибир-

ского федерального округа. Показана целесообразность использования спутниковой

информации в комплексе с наземными данным для разработки метода прогноза уро-

жайности в Красноярском крае, где установлена тесная связь урожайности с норма-

лизованным спутниковым индексом NDVI (Normalized Difference Vegetation Index).

В республиках Хакасия, Тыва и Иркутской области значимых связей NDVI с урожай-

ностью не выявлено. Показано значение улучшения культуры земледелия и роль ме-

теорологических факторов, в разной степени способствующих повышению урожай-

ности в субъектах в период 2001−2020 гг. С использованием метода корреляционно-

регрессионного анализа исследованы и отобраны метеорологические факторы, ока-

зывающие наибольшее влияние на урожайность. Представлены регрессионные мо-

дели, разработанные на основе совместного использования спутниковых и наземных

данных, для прогнозирования средней урожайности зерновых культур и яровой пше-

ницы в Красноярском крае, а для республик Хакасия, Тыва и Иркутской области –

для зерновых культур на основе наземных данных.

Ключевые слова: агрометеорологические условия, зерновые культуры, урожай-

ность, спутниковая информация, прогноз

Agrometeorological conditions

and prediction of the yield of grain and leguminous crops

in the subjects of the eastern Siberian Federal District

А.I. Strashnaya, А.V. Pavlova,

Т.V. Kulakova, P.S. Klang

Hydrometeorological Research Center of Russian Federation,

Moscow, Russia

ais@mecom.ru

The results of studying agrometeorological conditions and the possibility of using sat-

ellite data to evaluate and predict the yield of grain and leguminous crops in the subjects

of the eastern part of the Siberian Federal District are presented. Reasonability of using

satellite information in combination with surface data for the development of a method

Страшная А.И, Павлова А.В., Кулакова Т.В., Кланг П.С.

119

for forecasting the yield in the Krasnoyarsk krai, where a high correlation between the

yield and the NDVI (Normalized Difference Vegetation Index) was found, is shown. In

the Republics of Khakassia, Tyva and the Irkutsk oblast, no significant correlations be-

tween the NDVI and the yield was detected. The importance of improving agricultural

standards and the role of meteorological factors differently contributing to an increase in

the yield in the regions during 2001-2020 are shown. Using the correlation and regression

analysis, the meteorological factors that have the greatest impact on the yield were inves-

tigated and selected. Regression models developed on the basis of the joint use of satellite

and ground-based data are presented to predict the average yield of grain crops and spring

wheat in the Krasnoyarsk krai, and those based on surface data are presented to predict the

yield of grain crops in the republics of Khakassia, Tyva and the Irkutsk oblast.

Keywords: agrometeorological conditions, grain crops, yield, satellite data, forecast

Введение

В последние десятилетия в связи с нарастающей изменчивостью по-

годных и агрометеорологических условий задача оценки состояния и про-

гнозирования урожайности сельскохозяйственных культур является одной

из наиболее актуальных в области земледелия и экономического планиро-

вания в аграрной отрасли. Для ее решения необходимо получение доста-

точного количества надежных характеристик состояния посевов. Получе-

ние таких характеристик стало возможным при использовании данных

спутниковых наблюдений на больших площадях в режиме реального вре-

мени, а также накопленных архивных данных, представляемых на сервисе

ВЕГА-PRO, разработанном в ФГБУН «ИКИ РАН» [1, 8, 17]. Их использо-

вание оказалось достаточно эффективным для разработки методов про-

гноза урожайности зерновых культур, основанных на спутниковой инфор-

мации или в комплексе с наземными наблюдениями. В настоящее время

такие методы прогнозов урожайности зерновых культур разработаны для

преобладающей территории зернового пояса на Европейской территории

России [6, 9, 11, 13, 15, 16].

Для азиатской территории таких методов пока предложено мало, и они

предназначены в основном для отдельных конкретных полей и админи-

стративных районов. Как известно, в Сибирском центре ФГБУ «НИЦ

«Планета», в ФГБУ «СибНИГМИ», Новосибирском государственном уни-

верситете и других научных учреждениях успешно ведутся исследования

по разработке и совершенствованию спутникового мониторинга состояния

посевов сельскохозяйственных культур, разработаны методы прогнозов

урожайности отдельных зерновых культур для Западной Сибири [10], в ос-

новном яровой пшеницы. В [3] предложена математическая модель разви-

тия растений для прогноза урожайности яровой пшеницы с использова-

нием спутниковых данных по ряду южных районов Западной Сибири,

позволяющая прогнозировать урожайность в разрезе поля за месяц

до уборки с точностью 1–2 ц/га. В разработанной регрессионной прогно-

стической модели [2] для отдельных культур (пшеница, картофель, овощи)

используются спутниковые данные (набор вегетационных индексов),

120

Агрометеорологические прогнозы

например, значения NDVI в период вегетации. В [19] излагается метод про-

гноза урожайности яровой пшеницы (и построение карт урожайности) на

полях Сухобузимского района Красноярского края, основанный на спутни-

ковых и беспилотных данных, что оказалось весьма полезным для конкрет-

ных хозяйств.

Использование ДЗЗ и беспилотных аппаратов, по данным [21], явля-

ется перспективным для точного земледелия, так как позволяет детально

проанализировать состояние посевов на конкретных полях, выявить неод-

нородность посевов и участки, где необходимо провести агрохимобра-

ботку, подкормку и др., т. е. можно непосредственно управлять процессом

производства продукции. Это, на наш взгляд, особенно важно для террито-

рий со сложным рельефом, таких как субъекты восточной части Сибир-

ского федерального округа (СФО). Нами [14] предложен метод прогноза

средней урожайности зерновых и зернобобовых культур, основанный на

наземных и спутниковых данных по субъектам западной части СФО и юга

Урала. Для субъектов восточной части СФО аналогичные методы средней

по субъектам урожайности, необходимые для руководства и управления

АПК, пока не разработаны, хотя они имеют важное значение для этих тер-

риторий, так как являются значимой поддержкой для решения проблем са-

мообеспечения регионов, определения необходимых объемов межрегио-

нальных обменов, а также планирования рынков сбыта (закупки)

продукции. Имеющиеся для этой территории методы прогноза урожайно-

сти зерновых культур, используемые в настоящее время в Росгидромете,

разработаны по наземным данным в основном в восьмидесятые годы и во

многих случаях имеют низкую оправдываемость, что вызвало необходи-

мость создания новых методов, разработанных на основе современных (из-

менившихся) агроклиматических условий в последние десятилетия и изме-

нившейся культуры земледелия [4, 7]. Кроме того, в данной работе, которая

является продолжением исследований по теме 1.1.1.7 плана НИР Росгид-

ромета, ставилась задача изучения возможности использования спутнико-

вой информации для разработки метода прогноза урожайности зерновых

культур в субъектах восточной части СФО.

В восточную часть СФО входят Красноярский край, республики Хака-

сия и Тыва, Иркутская область. На территории этих субъектов зерновые

культуры возделываются на площади около 1450,0 тыс. га, что составляет

16 % всей посевной площади этих культур в СФО. Из них более 10 %, или

около 950,0 тыс. га, приходится на Красноярский край, около 430,0 тыс. га

(примерно 5 %) на Иркутскую область; в республиках Хакасия и Тыва пло-

щади зерновых культур небольшие и составляют, соответственно, около

80,0 и 15,0 тыс. га. Вклад этих субъектов в валовой сбор зерна в СФО со-

ставляет в среднем за последние пять лет 3,4 млн т, или более 21 % вало-

вого сбора зерна в округе. Изменчивость средней урожайности в субъектах

значительна, коэффициенты вариации составляют от 19 до 32 %. Сильно

Страшная А.И, Павлова А.В., Кулакова Т.В., Кланг П.С.

121

колеблются по годам и валовые сборы зерна. В Красноярском крае, напри-

мер, где урожайность самая высокая в округе [18], наиболее низкий за рас-

сматриваемый нами период 2001−2020 гг. валовой сбор зерна (1,49 млн т)

наблюдался в 2006 году, когда первая половина вегетационного периода

была засушливой, а максимальный сбор зерна (2,67 млн т) получен в до-

статочно благоприятном по погодным условиям 2020 году.

При анализе динамики урожайности зерновых культур за рассматри-

ваемый период выявлено, что значительный рост урожайности наблюдался

во всех субъектах восточной части СФО. Наибольшим он был в Республике

Хакасия, где урожайность от начала к концу периода увеличилась на

10,7 ц/га, в Красноярском крае она увеличилась на 8,9 ц/га, а в Республике

Тыва и Иркутской области, соответственно, на 6,1и 5,8 ц/га. Скорость ро-

ста урожайности (погодичный прирост) составляла в субъектах в основном

от 0,33 до 0,54 ц/га. Приведенные данные указывают на большое значение

улучшения культуры земледелия (использование новых сортов с более вы-

соким потенциалом продуктивности, применение инновационных техно-

логий). Коэффициенты детерминации (R²) уравнений трендов, рассчитан-

ных нами в виде полиномов первой или второй степени, составляли в

основном 0,50–0,68, что также свидетельствует о большом значении куль-

туры земледелия. Однако и отклонения урожайности от тренда (ΔУ) по го-

дам за счет погодных условий были значительными даже в смежные годы,

когда культура земледелия практически не менялась. Как показал анализ

трендов и метеоусловий, чаще всего большие отрицательные отклонения

наблюдались при ухудшении условий увлажнения в июне или в мае-июне.

Так, например, в Иркутской области в благоприятный по погодным усло-

виям 2013 год (количество осадков в июне более чем на четверть превы-

сило норму, а ГТК₆составлял 1,55) средняя урожайность зерновых культур

была 20,1 ц/га, а в 2015 г., когда в июне осадков выпало значительно

меньше нормы, – 16,4 ц/га. В Республике Хакасия в 2019 г., когда июнь был

теплым и влажным, ГТК₆составлял 1,46, урожайность была 19,4 ц/га, а в

смежном 2018 г. при дефиците осадков в июне наблюдалась атмосферная

засуха средней интенсивности (ГТК₆= 0,73) и урожайность была всего

12,3 ц/га. В Красноярском крае в недостаточно влажном в первый период

вегетации 2018 году в июне также наблюдалась атмосферная засуха

(ГТК₆= 0,64) и урожайность составила 20,5 ц/га, а в достаточно влажном

2020 г, когда в июне осадков выпало в два раза больше нормы (103 мм), −

28,8 ц/га. По данным [20], при засухах в июне средней интенсивности

(ГТК₆= 0,61−0,80) урожайность зерновых культур может снижаться на

20−25 % и более. В приведенных нами примерах по Иркутской области,

Республике Хакасия, Красноярскому краю в засушливых условиях урожай-

ность снижалась, соответственно, на 22, 37 и 27 %. Для определения веро-

ятности снижения урожайности в годы, когда в июне наблюдается засуха

средней интенсивности, нами рассчитана повторяемость таких засух

(ГТК₆= 0,61–0,80) за период 2001−2020 годов.

122

Агрометеорологические прогнозы

Из данных, приведенных в табл. 1, можно сделать вывод о том, что

атмосферные засухи в июне (когда можно ожидать существенное сниже-

ние урожайности) в Красноярском крае и Иркутской области наблюдаются

2−3 раза в 10 лет, в Республике Хакасия − 1 раз, а в Республике Тыва –

4 раза в 10 лет. Повторяемость слабых засух в отдельных субъектах (напри-

мер, в Республике Тыва) также значительна, но их влияние на урожайность

было небольшим.

Таблица 1. Повторяемость атмосферных засух средней (ГТК = 0,61–0,80) и

слабой (ГТК = 0,81–0,99) интенсивности в июне в субъектах СФО

Table 1. The frequency of medium- (HTC = 0.61–0.80) and low-intensity (HTC =

0.81–0.99) atmospheric droughts in the SFO subjects in June

Значения ГТК₆

Территория

0,61−0,80

число случаев

0,81−0,99

число случаев

%

Красноярский край

Иркутская область

Республика Хакасия

Республика Тыва

3*

5**

2

15

4

3

1

7

20

25

10

40

15

5

8***

35

Примечание. * Из них одна сильная, ** две сильных, *** четыре сильных

(ГТК≤0,60)

Проведенный анализ динамики тепло- и влагообеспеченности зерно-

вых культур за период с 2001 по 2020 год в основной период вегетации

(май-июнь) выявил улучшение условий увлажнения, так как ГТК_5-6от

начала к концу периода в основном увеличился на 0,26–0,86, а ГТК₆в боль-

шинстве субъектов (кроме Красноярского края) − на 0,10−0,58 (табл. 2).

Это, как и повышение культуры земледелия, способствовало росту урожай-

ности в рассмотренный период. Положительным было и снижение (кроме

Иркутской области) средней за май-июнь температуры воздуха (Т_5-6). Од-

нако сдерживающим, или негативным фактором в большинстве субъектов,

особенно в Красноярском крае и Иркутской области, где большие посев-

ные площади, оказалось повышение температуры воздуха в июне (Т₆), а это

наиболее важный период для формирования колоса яровых зерновых куль-

тур, преобладающих в регионе (табл. 2). Таким образом, анализ трендов

урожайности и метеорологических условий в рассмотренный период пока-

зал, что при разработке метода прогноза урожайности зерновых культур

необходимо учитывать две составляющие урожайности: рост урожайности

за счет улучшения культуры земледелия и колебания урожайности вслед-

ствие складывающихся погодных условий в конкретные годы.

Страшная А.И, Павлова А.В., Кулакова Т.В., Кланг П.С.

123

Таблица 2. Изменение условий увлажнения в июне (ГТК₆), в мае-июне

(ГТК_5-6) и температуры воздуха в июне (Т₆°С) и в мае-июне (Т_5-6,°С) в субъек-

тах СФО

Table 2. The change in moistening conditions in June (HTC₆), May-June (HTC_5–6

)

and air temperature in June (T₆, °C) and May-June (T_5–6, °C) in the SFO subjects

Значения метеорологических элементов по тренду (2001–2020 гг.)

2001-2020 Разница 2001-2020 Разница 2001-2020 Разница 2001-2020 Разница

Т₆°С ГТК₆Т_5-6°С ГТК_5-6

Красноярский край

-0,23 13,6-12,9

Республика Хакасия

0,58 14,6-13,9

Республика Тыва

0,15 13,5-13,2

Иркутская область

0,1 12,8-12,9

16,9-17,2

0,30

-0,80

0,10

0,33

1,31-1,08

1,22-1,80

0,81-0,96

1,22-1,32

-0,7

-0,3

0,1

1,32-1,76

0,44

0,86

0,05

0,26

17,8-17,0

16,6-16,7

16,5-16,8

1,51-2,37

0,80-0,85

1,27-1,53

Поскольку в работе ставилась задача исследовать возможность ис-

пользования спутниковой информации для разработки метода прогнозиро-

вания урожайности зерновых культур в субъектах восточной части СФО,

нами была сформирована база данных спутниковых наблюдений за

2001−2020 гг. В нее вошли архивные и текущие осредненные по субъектам

значения одного из наиболее распространенных индикаторов роста и плот-

ности посева – вегетационного индекса NDVI (Normalized Difference Veg-

etation Index), а также урожайность зерновых культур по данным Росстата

(с убранной площади). На рис. 1 приведена динамика средних многолетних

значений NDVI, рассчитанных нами за указанный период. Можно видеть

существенные различия в ходе кривых, описывающих динамику NDVI в

субъектах в течение вегетационного периода, а также разницу средних мак-

симальных значений этого показателя. В Красноярском крае, который по

данным [18] «является лидером по урожайности зерновых культур в СФО»,

максимальное значение NDVI составляет (в среднем за рассмотренный пе-

риод) 0,75, т. е. даже выше, чем в субъектах Западной Сибири [14].

В Иркутской области, занимающей второе место по уровню урожай-

ности в СФО, максимальное значение NDVI составляет 0,71, а в республи-

ках Хакасия и Тыва, где урожайность зерновых культур сравнительно низ-

кая, соответственно, 0,63 и 0,50. Таким образом, можно полагать, что на

рассматриваемой территории средние максимальные значения NDVI, на

наш взгляд, в определенной степени характеризуют потенциальные воз-

можности для формирования урожая в конкретных почвенно-климатиче-

ских условиях субъекта. Отмечаются и различия в сроках наступления

124

Агрометеорологические прогнозы

средних максимальных значений: в Красноярском крае максимум NDVI

отмечается в 27 неделю вегетации (отсчет недель с начала календарного

года), в Республике Хакасия и Иркутской области – в 28 неделю, а в Рес-

публике Тыва – в 30 неделю.

0,80

0,70

0,60

0,50

0,40

0,30

0,20

1516171819202122232425262728293031323334353637383940

недели

Тыва

Красноярск

Хакасия

Иркутск

Рис. 1. Динамика средних многолетних значений NDVI по неделям вегетации

в субъектах СФО (2001−2020 гг.).

Fig. 1. The dynamics of average long-term NDVI for different vegetation weeks in

the SFO subjects (2001−2020)

Выше мы отмечали большую разницу в уровне урожайности зерновых

культур в разные по погодным условиям (даже смежные) годы. В резуль-

тате проведенных исследований выявлено, что и максимальные значения

NDVI в такие годы сильно различаются. Так, в Красноярском крае, где,

как сказано ранее, самые большие посевные площади зерновых культур,

в благоприятный по погодным условиям 2020 год максимальное значение

NDVI составило 0,77, или 103 % от среднего многолетнего максимума, а

в неблагоприятный 2018 год – 0,71–95 % (рис. 2).

По данным [17], по величине отклонений NDVI от среднего многолет-

него значения можно на качественном уровне делать выводы о состоянии

посевов. При этом положительное отклонение свидетельствует о том, что

состояние посевов зерновых культур лучше среднего в данном субъекте и

наоборот. Понятно, что основное значение для формирования продуктив-

ности зерновых культур имеют складывающиеся погодные условия, в ко-

торых происходит рост и развитие растений, формирование биомассы и ко-

лоса и в конечном итоге – урожайности [4, 20]. Так, на рис. 2 показано, что

в 2018 г. в июне осадков выпало лишь 53 %, а в 2020 г. – 170 % нормы,

Страшная А.И, Павлова А.В., Кулакова Т.В., Кланг П.С.

125

ГТК₆в 2020 г. составил 169 %, а в 2018 г. – только 52 % нормы. Средняя

температура воздуха в 2020 г. была ниже нормы (91 %), а в 2018 г. на 15 %

превысила норму. В итоге, как отмечалось выше, урожайность зерновых

культур в среднем по краю в 2020 г. была 28,8 ц/га, а в 2018 г. – лишь

20,5 ц/га.

200

150

100

50

0

t,

R

GTK

NDVI

2018

Рис. 2. Значение метеорологических факторов и NDVI (в % от средних мно-

голетних) в июне 2018 и 2020 гг. в Красноярском крае.

Fig. 2. The values of meteorological factors and NDVI (% of the normal) in June in

2018 and 2020 in the Krasnoyarsk krai.

Проведенные исследования показали, что в субъектах, где площади

зерновых культур небольшие, на конкретных полях сравнительно четко

прослеживается связь агрометеорологических условий с NDVI в период

формирования колоса (фазы «выход в трубку – колошение») в разные по

погодным условиям годы (рис. 3). Так, в 2018 г. в Республике Хакасия (дан-

ные опорной ГМС Таштып) средняя температура воздуха за период «выход

в трубку – колошение» составила 19,4 °С, количество осадков – 17,7 мм, а

продолжительность этого периода составила всего 16 дней. В 2020 г. сред-

няя за аналогичный период температура воздуха составила 15,1 °С, коли-

чество осадков – 33,5 мм, а продолжительность этого периода оказалась

почти вдвое больше, что способствовало образованию количества колос-

ков в колосе на 15 % больше средних значений и, следовательно, более вы-

сокому урожаю яровой пшеницы (23,1 ц/га, тогда как в 2018 г. урожай-

ность была 12,9 ц/га).

Такие резко различные агрометеоусловия адекватно отражали состоя-

ние растений и значения NDVI. На даты колошения пшеницы значение

NDVI в 2020 г. было 0,76, а в 2018 г. – только 0,59, т. е. почти на 20 %

меньше. Однако в большинстве лет существенных различий не наблюда-

лось.

126

Агрометеорологические прогнозы

0,8

0,7

0,6

0,5

0,4

0,3

0,2

0,1

0

17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34

недели

1 - "сев", 2 - "всходы", 3 - "выход в трубку", 4 - "колошение",

5 -"восковая спелость", 6 -"полная спелость"

2018

Рис. 3. Динамика NDVI по неделям вегетации и фазы развития яровой пше-

ницы в Республике Хакасия (ГМС Таштып) в 2018 и 2020 гг.

Fig. 3. The NDVI dynamics for different vegetation weeks and the phases of spring

wheat development in the Republic of Khakassia (Tashtyp weather station) in 2018

and 2020.

В исследованиях по разработке метода прогноза средней по субъектам

урожайности зерновых культур связи урожайности с NDVI определялись

на основе построенных матриц парных коэффициентов корреляции между

урожайностью и значениями NDVI по неделям вегетации по всем четырем

субъектам восточной части СФО за период 2001–2020 гг. Использовались

архивные данные – осредненные по субъектам значения вегетационного

индекса NDVI.

Исследовалась теснота связей средней по субъекту урожайности

(У, ц/га) и аномалии урожайности зерновых культур, т. е. отклонений уро-

жайности от трендов (ΔУ, ц/га), по указанным субъектам (по Краснояр-

скому краю также У и ΔУ по яровой пшенице) с NDVI за указанный период

по неделям вегетации. Оказалось, что значимые и тесные связи NDVI с

урожайностью зерновых культур и яровой пшеницы наблюдались лишь в

Красноярском крае, где зерновые культуры занимают 63 % всех пахотных

земель, из них более 62 % площади занимает яровая пшеница. В Иркутской

области, где посевные площади почти вдвое меньше, близкая к значимой

связь проявлялась лишь в 24 неделю вегетации (r = 0,42), а значимой

(r = 0,46) она становилась только в 25 неделе. В республиках Хакасия и

Тыва, где посевные площади небольшие, сложная орография территории и

относительно малые пространственные масштабы погодных условий, за

рассматриваемый период тесных связей средней урожайности зерновых

культур (и даже близких к значимым) с NDVI вовсе не выявлено. На рис. 4

Страшная А.И, Павлова А.В., Кулакова Т.В., Кланг П.С.

127

для наглядности показана связь урожайности зерновых культур и яровой

пшеницы в Красноярском крае и урожайности зерновых культур в Иркут-

ской области с NDVI (динамика коэффициентов корреляции) за период

2001–2020 гг. по неделям вегетации.

Следует отметить, что наиболее тесная связь урожайности зерновых

культур с NDVI в Красноярском крае отмечается в 25 неделю вегетации

(r = 0,52), а с урожайностью яровой пшеницы – в 26 неделю (r = 0,56), что,

по-видимому, можно объяснить более поздними сроками сева преоблада-

ющей в крае пшеницы, чем, например, овса, ячменя, гороха, входящих в

группу всех зерновых культур. Кроме того, в эту группу входят и озимые

культуры, которые весной раньше яровых культур начинают активно веге-

тировать, так как их сев, появление всходов и кущение происходит осенью

предшествующего года [12]. Таким образом, можно сделать вывод, что ис-

пользование NDVI для разработки метода прогноза средней по субъекту

урожайности зерновых культур, а также яровой пшеницы, целесообразно

лишь в Красноярском крае. При этом необходимо выявить и влияние по-

годных условий.

0,6

0,5

0,4

0,3

0,2

0,1

0

20

21

22

23

24

25

26

27

28

29

недели

Красноярский край зерновые

Красноярский край пшеница

Рис. 4. Связь урожайности зерновых культур и яровой пшеницы в Краснояр-

ском крае и зерновых культур в Иркутской области с NDVI (динамика коэф-

фициентов корреляции r) по неделям вегетации (2001–2020 гг.).

Fig. 4. The correlation of the yield of grain crops and spring wheat in the Krasno-

yarsk krai and grain crops in the Irkutsk oblast with the NDVI (the dynamics of

correlation coefficients r) for different vegetation weeks (2001–2020).

Для оценки влияния погодных условий на урожайность зерновых

культур использовались следующие метеорологические показатели: сред-

няя по субъектам температура воздуха (t), количество осадков (R'), дефи-

цит влажности воздуха (d), гидротермический коэффициент увлажнения

(ГТК) по месяцам вегетационного периода май– июль (ГТК₅, ГТК₆, ГТК₇),

128

Агрометеорологические прогнозы

а также по отдельным отрезкам этого периода: май–июнь (ГТК₅₋₆) и май–

июль (ГТК₅₋₇). На основе построенных корреляционных матриц, как и при

исследовании связей с NDVI, определялась теснота связей этих показате-

лей не только с урожайностью У, но и с ΔУ, т. е. с аномалией урожайности

(отклонениями урожайности от построенных по субъектам линейных трен-

дов) зерновых культур по всем четырем субъектам (а по Красноярскому

краю – и с У и ΔУ яровой пшеницы).

Оказалось, что в Красноярском крае связи указанных выше метеоро-

логических показателей с урожайностью и аномалией урожайности были

несколько более тесными по яровой пшенице, чем по зерновым культурам.

Это можно объяснить тем, что в группу зерновых культур, как отмечалось

выше, входят разные культуры, у которых “критические” периоды по от-

ношению к метеорологическим условиям разные, в том числе и в связи с

разными сроками сева. При этом в Красноярском крае связи метеоусловий

с ΔУ пшеницы, как и с ΔУ зерновых культур, были несколько более тес-

ными, чем с У. В остальных субъектах более тесные связи метеорологиче-

ских показателей были с У, а не с ΔУ. Следует отметить, что практически

во всех субъектах значимые и наиболее тесные связи У с метеорологиче-

скими показателями наблюдались в июне, лишь в отдельных субъектах в

мае, а в Республике Тыва – в июле.

На рис. 5а показана связь аномалии урожайности зерновых культур

ΔУ в Красноярском крае с ГТК₆, которая характеризуется высоким коэф-

фициентом корреляции r, равным 0,766. При этом следует отметить, что

большие положительные отклонения урожайности от тренда наблюдались

в основном при значениях ГТК₆, равных 1,2–2,2. Связь урожайности У с

этим показателем была менее тесной (r = 0,523). Аналогичной, но не-

сколько менее тесной, чем с ГТК₆, проявилась связь ΔУ в Красноярском

крае и с количеством осадков в июне (R₆). С температурой и дефицитом

влажности воздуха в июне связь была обратной (отрицательной). С ΔУ

связь характеризовалась значениями r, равными -0,476 и -0,536, а с У, со-

ответственно, -0,418 и -0,362, т. е. при значимом для двадцатилетнего ряда

r ≥0,432 связи этих показателей с У были лишь близкими к значимым или

не значимы.

Проявление более тесных связей метеорологических элементов с У,

чем с ΔУ, характерно для Республики Хакасия, Иркутской области, а в Рес-

публике Тыва наиболее тесные связи метеопоказателей с У характерны

лишь для июля. На рис. 5б показана зависимость урожайности зерновых

культур в Республике Хакасия от средней за июль температуры воздуха.

Отметим, что наиболее высокая урожайность наблюдается при средней за

июль температуре воздуха ниже 17 °С. Теснота этой связи характеризуется

r, равным 0,624. В Иркутской области тесная связь урожайности У зерно-

вых культур наблюдалась со средним ГТК за май–июнь (ГТК_5-6) и за май–

июль (ГТК_5-7).

Страшная А.И, Павлова А.В., Кулакова Т.В., Кланг П.С.

129

а

6,0

4,0

2,0

0,0

-

1,00

2,00

3,00

-2,0

-4,0

-6,0

ГТК6

б

25,00

20,00

15,00

10,00

5,00

0,00

14,00

19,00

Т6

Рис. 5. Зависимость аномалии урожайности зерновых культур ΔУ от гидро-

термического коэффициента увлажнения в июне (ГТК₆) в Красноярском крае

(а); урожайности зерновых культур У от средней температуры воздуха в июне

(Т₆) в Республике Хакасия (б).

Fig. 5. The dependence of (a) the anomaly of the grain crop yield ΔY on the hydro-

thermal coefficient in June (HTC₆) in the Krasnoyarsk krai; (b) the yield of grain

crops Y on the average air temperature in June (T₆) in the Republic of Khakassia.

Разработка метода прогноза средней по субъектам урожайности зер-

новых культур в субъектах восточной части СФО проводилась с учетом

результатов проведенного регресионно-корреляционного анализа и уста-

новленных связей У и ΔУ зерновых культур (по Красноярскому краю –

130

Агрометеорологические прогнозы

и яровой пшеницы) с NDVI и метеорологическими показателями. В связи

с тем, что в республиках Хакасия, Тыва и Иркутской области значимых

связей У и ΔУ с NDVI не выявлено (в Иркутской области значимой связь

оказалась лишь в одну, 25 неделю), метод прогноза урожайности зерновых

культур по этим трем субъектам разрабатывался по наземным данным. От-

бор метеопараметров для построения регрессионной прогностической мо-

дели производился с учетом их значимых связей (на 5%-ном уровне) с уро-

жайностью. На первом этапе было получено простое линейное уравнение:

регрессионная модель, где в качестве параметров использовались в Иркут-

ской области t₅ и ГТК₅, в Республике Хакасия – t₆ и ГТК₆, а в Республике

Тыва – Т₇ и ГТК₇.

В качестве примера приведем регрессионную модель для прогноза

урожайности в июне по Иркутской области:

у = 1,804 ГТК₅– 0,110 t₅ + 15,86; R = 0,563.

Однако полученные такого вида модели оказались неустойчивыми,

авторская проверка за 2017–2021 гг. показала невысокие результаты. Сред-

няя оправдываемость прогнозов за 5 лет составила 74–79 %.

Выше мы отмечали большое значение культуры земледелия для фор-

мирования урожая, о чем свидетельствовали хорошо выраженные тенден-

ции роста урожайности. Для учета этой тенденции в линейные регрессион-

ные модели, полученные только на основе метеорологических данных,

вводились порядковые номера года (n), т. е. тренд (n – Утр), который в об-

щем виде отражает ежегодный прирост урожайности в субъектах. Эти мо-

дели оказались достаточно устойчивыми, множественные коэффициенты

корреляции составляли от 0,831 до 0,907. Модели разработаны для прогно-

зов урожайности зерновых культур в Иркутской области, республиках Ха-

касия и Тыва для первого срока составления прогнозов урожайности, при-

нятого в Росгидромете (3 декада июня) и для второго срока (3 декада июля).

Эти прогностические модели приведены в табл. 3.

Приведенные линейные регрессионные прогностические модели уро-

жайности, основанные на метеорологических данных и учете культуры

земледелия, по результатам авторских испытаний в соответствии с Ин-

струкцией [5] на зависимых (2017–2020 гг.) и независимых (2021 г.) дан-

ных показали хорошую оправдываемость – от 83 до 95 %.

Для разработки метода прогноза урожайности зерновых культур и яро-

вой пшеницы в Красноярском крае, где большие посевные площади,

весьма целесообразным, как показали результаты проведенных исследова-

ний, оказалось использование спутниковых данных (NDVI). Тесная наибо-

лее значимая связь урожайности зерновых культур в крае с NDVI (см.

рис. 4) проявляется уже в 21 неделю вегетации, а наиболее тесной она была

в 25 неделю, когда значение коэффициента корреляции r было равным

0,522. Для пшеницы наибольшая теснота связи наблюдалась в 26 неделю

(r = 0,556).

Страшная А.И, Павлова А.В., Кулакова Т.В., Кланг П.С.

131

Таблица 3. Регрессионные модели для прогноза урожайности (У, ц/га) зерно-

вых культур в первый (I) и второй (II) сроки составления прогнозов по субъек-

там СФО

Table 3. The regression models for the grain crop yield prediction (Y, centner/ha)

at the first (I) and second (II) moments of the forecast preparation for the SFO

subjects

Срок

прогноза

R

Субъект РФ

Иркутская область

Y = -0,122t₅ + 0,871ГТК₅+ 0,294n + 14,307*

Y = -0,167t₅ + 1,974 ГТК_5-7+ 0,287n + 13,223*

Республика Хакасия

0,831

0,847

I

II

Y= -0,316t₆+1,401ГТК₆+0,497n+10,552*

Y= -0,949t₇+2,204ГТК₆+0,447n+22,588*

Республика Тыва

0,886

0,907

I

II

Y = 0,054t₇+3,904ГТК₇+0,180n+2,176*

Y = -0,67t₇+0, 052R^′₇+0,217n+16,181*

0,837

0,857

I

II

Примечание. t₅ – средняя температуре воздуха за май; t₆– за июнь; t₇– за

июль; ГТК₅– гидротермический коэффициент увлажнения за май, ГТК₆– за

июнь, ГТК₇– за июль; ГТК_5-7– за май-июль; R^′₇– сумма осадков за июль; n –

порядковый номер года (n=1 для 2001 г.); * – свободный член; R – коэффици-

ент множественной корреляции.

Как было сказано ранее, большое значение для формирования урожая

имеют метеорологические показатели тепло- и влагообеспеченности пер-

вого периода вегетации. В Красноярском крае также большое значение

имеет и культура земледелия, что показали и хорошо выраженные тренды

урожайности (ежегодный прирост урожайности в крае составляет

0,47 ц/га). В связи с этим при разработке метода прогноза урожайности зер-

новых культур, а также яровой пшеницы в Красноярском крае, в использо-

ванном нами подходе прогностическая урожайность Уп), как и в работе

[15], рассматривалась как сумма двух составляющих: Упр = Утр + ΔУ, где

Утр – детерминированная составляющая, определяемая в основном куль-

турой земледелия, или тренд. В данной работе эта составляющая описыва-

лась в основном уравнениями полинома первой степени вида у = ах+с или

полинома второй степени у = ах²+bх+с, так как они достаточно адекватно

отражают повышение урожайности в крае как зерновых культур в целом

(R² = 0,55), так и яровой пшеницы (R² = 0,62).

Автоматизированный расчет трендовой составляющей урожайности

Утр входит в состав алгоритма, имеющегося на рабочем месте агрометео-

ролога-прогнозиста в Гидрометцентре России для расчета прогностиче-

132

Агрометеорологические прогнозы

ской величины урожайности. ΔУ – случайная величина, зависящая глав-

ным образом от складывающихся агрометеорологических условий и состо-

яния посевов по данным спутниковых измерений в текущем году (год про-

гноза). Метеорологические параметры прогностических моделей для

расчета ΔУ, как и значения NDVI, отбирались с учетом тесноты их связей

с урожайностью (критерий отбора r ≥ 0,43) и в основном в декады (недели),

близкие к принятым срокам составления прогнозов.

Разработанные регрессионные прогностические модели для Краснояр-

ского края, основанные на комплексировании наземных и спутниковых

данных, для прогнозов урожайности зерновых культур и яровой пшеницы,

а также моделей для прогнозов урожайности зерновых культур, разрабо-

танные по наземным данным для республик Хакасия, Тыва и Иркутской

области, значимы (как показала проведенная проверка по критерию Фи-

шера), а коэффициенты при переменных значимы по критерию Стьюдента

на 5%-ном уровне. Разработанные модели для зерновых культур и пше-

ницы представлены в табл. 4 для первого (3 декада июня) и второго (3 де-

када июля) сроков составления прогнозов.

Таблица 4. Регрессионные модели для прогноза урожайности (ΔУ, ц/га) зер-

новых культур и яровой пшеницы в первый (I) и второй (II) сроки составле-

ния прогнозов по Красноярскому краю

Table 4. The regression models for the prediction of the yield (ΔY, centner/ha) of

grain crops and spring wheat at the first (I) and second (II) moments of the fore-

cast preparation for the Krasnoyarsk krai

Срок прогноза

a₁

a₂

a₃

a₄

a₅

a₆

C

R

Зерновые культуры

Ι

-0,232 0,081

-0,008*

-0,299

0,834

-0,804 0,713

-5,695 0,699

4,193

ΙΙ

5,152 0,534

Яровая пшеница

21,413 -26,710 0,787

Ι

0,276 0,093

40,814 -40,862 0,712

22,549 -32,291 0,85

ΙΙ

6,370 0,934

Примечание. Коэффициенты регрессии при а₁ – температуре воздуха за

июнь t₆, * за май t₅; а₂ – сумме осадков за июнь R^′₆; а₃– гидротермическом

коэффициенте увлажнения за июнь ГТК₆; а₄– дефиците влажности воздуха

в июне d₆; а₅– при NDVI^зерн; а₆– при NDVI^зерн; С – свободный член; R – ко-

25

27

эффициент множественной корреляции.

Проверка разработанных прогностических моделей урожайности

на зависимых материалах (2001–2020 гг.) и независимых (2001 г.),

проведенная в соответствии с Инструкцией [5], показала их достаточную

Страшная А.И, Павлова А.В., Кулакова Т.В., Кланг П.С.

133

надежность. Ошибки прогнозов, рассчитанных с учетом двух составляю-

щих урожайности – Утр и ΔУ, были в основном в пределах 4–13 %, в от-

дельные годы (преимущественно в начале периода) – до 18 % по зерновым

культурам и до 16 % – по яровой пшенице.

Заключение

Проведенные исследования агрометеорологических условий вегета-

ции зерновых и зернобобовых культур в весенне-летний период в субъек-

тах восточной части СФО выявили тенденции их изменения в период с

2001 по 2020 г., а также влияние этих условий на формирование урожайно-

сти. Установлено, что влияние на урожайность оказывают погодные усло-

вия в период сева преобладающих в этих районах яровых зерновых культур

(май) и в период формирования генеративных органов (июнь). Показано,

что в рассмотренный период наблюдалось некоторое улучшение условий

увлажнения: ГТК_5-6увеличился от начала к концу периода в основном на

0,26–0,44 (в Республике Хакасия на 0,86), а средняя температура

Т_5-6°С понизилась на 0,3–0,7 °С (в Иркутской области она практически не

изменилась), что в целом было благоприятным для формирования урожай-

ности зерновых культур. Показано, что чаще всего значительное снижение

урожайности в субъектах наблюдалось в годы, когда в июне наблюдались

засухи; определена повторяемость засух различной интенсивности. Анализ

временных рядов урожайности выявил тенденцию роста урожайности в

рассмотренный период. Наибольшая скорость роста была характерна для

Республики Хакасия, где урожайность от начала к концу периода увеличи-

лась более чем на 10,0 ц/га. В исследованиях показана целесообразность

для разработки метода прогноза урожайности зерновых культур использо-

вания спутниковой информации в комплексе с наземными данными в Крас-

ноярском крае, где установлена тесная связь урожайности этих культур, а

также яровой пшеницы, занимающей большие площади (до 63 % от всех

посевных площадей зерновых культур), с вегетационным индексом NDVI.

В республиках Хакасия, Тыва и в Иркутской области значимых связей

средней по субъектам урожайности с NDVI не выявлено.

С использованием метода корреляционно-регрессионного анализа

были выбраны (отобраны) наиболее статистически значимые метеорологи-

ческие параметры и разработаны регрессионные модели для прогнозиро-

вания урожайности зерновых культур в республиках Хакасия, Тыва и

Иркутской области, основанные на наземных наблюдениях гидрометео-

станций с учетом культуры земледелия. Для прогнозов урожайности зер-

новых культур, а также яровой пшеницы в Красноярском крае разработаны

регрессионные модели на основе совместного использования спутниковой

информации и наземных данных. Проверка моделей показала достаточно

хорошую оправдываемость, средняя относительная ошибка в основном не

превышала 14 %.

134

Агрометеорологические прогнозы

Список литературы

1. Барталев С.А., Лупян Е.А., Нейштадт И.А., Савин И.Ю. Классификация

некоторых типов сельскохозяйственных посевов в южных регионах России

по спутниковым данным MODIS // Исследование Земли из космоса. 2006. № 3.

С. 68-75.

2. Бондур В.Г., Гороховский К.Ю., Игнатьев В.Ю., Мурынин А.Б., Гапонова

Е.В. Метод прогнозирования урожайности по космическим наблюдениям за дина-

микой развития вегетации // Известия высших учебных заведений. Геодезия и

аэрофотосъемка. 2013. № 6. С. 61-68.

3. Брыксин В.М., Евтюшкин А.В., Рычкова Н.В. Прогнозирование урожайно-

сти зерновых культур на основе данных дистанционного зондирования и модели-

рования биопродуктивности // Известия Алтайского государственного универси-

тета. 2010. № 1–2 (65). С. 89-93.

4. Вильфанд Р.М., Страшная А.И., Береза О.В., Хан В.М., Тарасова Л.Л., Пав-

лова А.Н. Региональные и отраслевые проблемы опустынивания, деградации зе-

мель и засух в Российской Федерации // Национальный доклад «Глобальный кли-

мат

и

почвенный покров России: опустынивание

и

деградация земель,

институциональные, инфраструктурные, технологические меры адаптации (сель-

ское и лесное хозяйство)». Том 2. Раздел 4. М.: Изд-во МБА, 2019. С. 183-312.

5. Инструкция по оценке оправдываемости агрометеорологических прогно-

зов. М.: Гидрометиздат, 1983. 7 с.

6. Клещенко А.Д., Савицкая О.В. Оценка урожайности озимой пшеницы с ис-

пользованием метода главных компонент на основе комплексирования спутнико-

вой и наземной информации. // Метеорология и гидрология. 2021. № 12.

С. 127-136.

7. Лебедева В.М., Страшная А.И. Основы сельскохозяйственной метеороло-

гии. Том II. Методы расчетов и прогнозов в агрометеорологии. Книга 2. Оператив-

ное агрометеорологическое прогнозирование. Обнинск: ВНИИГМИ-МЦД, 2012.

216 с.

8. Лупян Е.А., Савин И.Ю., Барталев С.А., Толпин В.А., Балашов И.В., Плот-

ников Д.Е. Спутниковый сервис мониторинга состояния растительности («Вега»)

// Современные проблемы дистанционного зондирования Земли из космоса. 2011.

Т. 8, № 1. С. 190-198.

9. Савин И.Ю., Барталев С.А., Лупян Е.А., Толпин В.А., Хвостиков С.А. Про-

гнозирование урожайности сельскохозяйственных культур на основе спутниковых

данных: возможности и перспективы // Современные проблемы дистанционного

зондирования Земли из космоса. 2010. Т. 7, № 3. С. 275-285.

10. Сладких Л.А., Кулик Е.Н., Сахарова Е.Ю. Мониторинг посевов зерновых

культур юга Западной Сибири по данным спутниковых наблюдений // Журнал

Сибирского федерального университета. Серия: Техника и технологии. – 2015. –

Т. 8, № 6. – С. 726-733.

11. Сторчак И.Г., Ерошенко Ф.В. Использование NDVI для оценки продук-

тивности озимой пшеницы в Ставропольском крае // Земледелие. 2014. № 7. С. 12-

15.

12. Страшная А.И., Барталев С.А., Максименкова Т.А., Чуб О.В., Толпин В.А.,

Плотников Д.Е., Богомолова Н.А. Агрометеорологическая оценка состояния ози-

мых зерновых культур в период прекращения вегетации с использованием назем-

ных и спутниковых данных на примере Приволжского федерального округа //

Труды Гидрометцентра России. 2014. Вып. 351. С. 85-107.

Страшная А.И, Павлова А.В., Кулакова Т.В., Кланг П.С.

135

13. Страшная А.И., Береза О.В., Максименкова Т.А. Прогнозирование уро-

жайности озимой пшеницы по субъектам европейской части России на основе

комплексирования наземных и спутниковых данных. // Материалы Всероссийской

научной конференции с международным участием: «Вклад агрофизики в решение

функциональных задач сельскохозяйственной науки», Санкт-Петербург, 01-02 ок-

тября 2020 г. С. 722-743.

14. Страшная А.И., Береза О.В., Кланг П.С. О возможности использования

данных спутниковых измерений для прогнозирования урожайности зерновых и

зернобобовых культур в субъектах Уральского федерального округа и Западной

Сибири // Труды Сибирского регионального научно-исследовательского инсти-

тута. 2021. № 107. С. 78-91.

15. Страшная А.И., Береза О.В., Кланг П.С. Прогнозирование урожайности

зерновых культур на основе комплексирования наземных и спутниковых данных

в субъектах Южного федерального округа // Гидрометеорологические исследова-

ния и прогнозы. 2021. № 2 (380). С. 111-137.

16. Страшная А.И., Береза О.В. Использование спутниковой информации в

агрометеорологическом прогнозировании// Метеорология и гидрология. 2021

№ 12. С 114-126.

17. Толпин В.А., Лупян Е.А., Барталев С.А., Плотников Д.Е., Матвеев А.М.

Возможности анализа состояния сельскохозяйственной растительности с исполь-

зованием спутникового сервиса «ВЕГА» // Оптика атмосферы и океана. 2014. Т.

27. № 7 (306). С. 581-586.

18. Тю Л.В., Афанасьев Е.В., Быков А.А., Алещенко В.В. Специализация реги-

онов Сибири в зерновом производстве (на примере пшеницы) // Экономика сель-

ского хозяйства России. 2020. № 9. С. 79-82.

19. Шевырногов А.П., Ботвич И.Ю., Емельянов Д.В. Построение карт урожай-

ности посевов зерновых культур по спутниковым и беспилотным данным // Реги-

ональные проблемы дистанционного зондирования Земли. Материалы VIII Меж-

дународной научной конференции; электронное научное издание. Красноярск,

2021. С. 140-143.

20. Уланова Е.С., Страшная А.И. Засухи в России и их влияние на производ-

ство зерна // Труды ВНИИСХМ. 2000. Вып. 32. С. 64-83.

21. Якушев В.П., Жуковский Е.Е. Анализ последствий изменения климата в

земледелии как задача оценки и сравнения рисков // Агрофизика, 2011 № 4.

С. 24-39

References

1. Bartalev S.A., Loupyan E.A., Neishtadt I.A., Savin I.Yu. Gropland area classifi-

cation in south regions of Russia using modis satellite data. Issledovanie Zemli iz kos-

mosa [Earth research from space], 2006, no. 3, pp. 68-75 [in Russ.].

2. Bondur V.G., Gorohovskij K.Yu., Ignat'ev V.YU., Murynin A.B., Gaponova E.V.

Metod prognozirovaniya urozhajnosti po kosmicheskim nablyudeniyam za dinamikoj

razvitiya vegetacii. Izvestiya vysshih uchebnyh zavedenij. Geodeziya i aerofotos"emka.

2013, no. 6, pp. 61-68 [in Russ.].

3. Bryksin V.M., Yevtyushkin A.V., Rychkova N.V. Forecasting of Grain Crops

Productivity on Basis of the Remote Sounding Data and Bio-productivity Modeling.

Izvestiya Altajskogo gosudarstvennogo universiteta [Izvestiya of Altai State University

Journal], 2010, vol. 65, no. 1-2, pp. 89-93 [in Russ.].

136

Агрометеорологические прогнозы

4. Vil'fand R.M., Strashnaya A.I., Bereza O.V., Han V.M., Tarasova L.L., Pavlova

A.N. Regional'nye i otraslevye problemy opustynivaniya, degradacii zemel' i zasuh v

Rossijskoj Federacii // Nacional'nyj doklad «Global'nyj klimat i pochvennyj pokrov Ros-

sii: opustynivanie i degradaciya zemel', institucional'nye, infrastrukturnye, tekhnolog-

icheskie mery adaptacii (sel'skoe i lesnoe hozyajstvo)». Tom 2. Razdel 4. Moscow,

Izd-vo MBA, 2019, pp. 183-312 [in Russ.].

5. Instrukciya po ocenke opravdyvaemosti agrometeorologicheskih prognozov.

Moscow, Gidrometeoizdat publ., 1983, 7 p. [in Russ.].

6. Kleshchenko A.D., Savitskaya O.V. Estimation of Winter Wheat Yield Using the

Principal Component Analysis Based on the Integration of Satellite and Ground Infor-

mation. Russ. Meteorol. Hydrol., 2021, vol. 46, no. 12, pp. 881–887. DOI:

10.3103/S1068373921120104

7. Lebedeva V.M., Strashnaya A.I. Osnovy sel'skohozyajstvennoj meteorologii.

Tom II. Metody raschetov i prognozov v agrometeorologii. Kniga 2. Operativnoe agro-

meteorologicheskoe prognozirovanie. Obninsk, VNIIGMI-MCD, 2012, 216 p.

[in Russ.].

8. Loupian E.A., Savin I.Yu., Bartalev S.A., Tolpin V.A., Balashov I.V., Plotnikov

D.E. Satellite Service for Vegetation Monitoring VEGA. Sovremennye problemy dis-

tantsionnogo zondirovaniya Zemli iz kosmosa [Current problems in remote sensing of

the Earth from Space], 2011, vol. 8, no. 1, pp. 190-198 [in Russ.].

9. Savin I.Yu., Bartalev S.A., Loupian E.A., Tolpin V.A., Khvostikov S.A.Crop yield

forecasting based on satellite data: opportunities and perspectives. Sovremennye prob-

lemy distantsionnogo zondirovaniya Zemli iz kosmosa [Current problems in remote sens-

ing of the Earth from Space], 2010, vol. 7, no. 3, pp. 275-285 [in Russ.].

10. Sladkikh L. A., Kulik E. N., Sakharova E. Yu. Grain Crops Monitoring in the

South Part of Western Siberia Based on the Satellite Images’ Data. Journal of Siberian

Federal University. Engineering & Technologies, 2015, vol. 8, no. 6, pp. 726-733

[in Russ.].

11. Storchak I.G., Eroshenko A.A. FUsing of NDVI for assessing productivity of

winter wheat in Stavropol region. Zemledelie, 2014, no. 7, pp. 12-15 [in Russ.].

12. A.I. Strashnaya, S.A. Bartalev, T.A. Maksimenkova, O.V. Chub, V.A. Tolpin,

D.E. Plotnikov, N.A. Bogomolova Agrometeorological assessment of winter grain crops

condition during the growing season termination using ground and satellite data through

the example of the Privolzhskiy Federal District. Trudy Gidromettsentra Rossii

[Proceedings of the Hydrometcentre of Russia], 2014, vol. 351, pp. 85-107 [in Russ.].

13. Strashnaya A.I., Bereza O.V., Maksimenkova T.A. Prognozirovanie urozhajnosti

ozimoj pshenicy po sub"ektam evropejskoj chasti Rossii na osnove kompleksirovaniya

nazemnyh i sputnikovyh dannyh. Materialy Vserossijskoj nauchnoj konferencii s

mezhdunarodnym uchastiem: «Vklad agrofiziki v reshenie funkcional'nyh zadach

sel'skohozyajstvennoj nauki», Sankt-Peterburg, 01-02 oktyabrya 2020, pp. 722-743

[in Russ.].

14. Strashnaya A.I., Beryoza O.V., Klang P.S. The use of satellite measurement data

to predict the yield of grain and leguminous crops in the subjects of the Ural Federal

district and western Siberia. Trudy SibNIGMI, 2021, vol. 107, pp. 78-91 [in Russ.].

15. Strashnaya A.I.., Bereza O.V., Klang P.S. Forecasting grain crop yield based on

the integration of ground and satellite data in the subjects of the Southern Federal Dis-

trict. Gidrometeorologicheskie issledovaniya i prognozy [Hydrometeorological Re-

search and Forecasting], 2021, vol. 380, no. 2, pp. 111-137 [in Russ.].

Страшная А.И, Павлова А.В., Кулакова Т.В., Кланг П.С.

137

16. Strashnaya A.I., Bereza, O.V. Using Satellite Information in Agrometeorologi-

cal Forecasting. Russ. Meteorol. Hydrol., 2021, vol. 46, no. 12, pp. 872-880. DOI:

10.3103/S1068373921120098

17. Tolpin V. A., Lupyan E. A., Bartalev S. A., Plotnikov D. E., Matveev A. M. Pos-

sibilities of agricultural vegetation condition analysis with the “VEGA” satellite service.

Optika Atmosfery i Okeana, 2014, vol. 27, no. 7, pp. 581-586 [in Russ.].

18. Tiu L. V., Afanasev E. V., Bykov A. A., Aleshchenko V. V. Specialization of Si-

berian regions in grain (wheat) production. Ekonomika sel'skogo hozyajstva [Economics

of Agriculture of Russia], 2020, no. 9, pp. 79-82 [in Russ.].

19. Shevyrnogov A.P., Botvich I.YU., Emel'yanov D.V. Postroenie kart urozhajnosti

posevov zernovyh kul'tur po sputnikovym i bespilotnym dannym // Regional'nye prob-

lemy distancionnogo zondirovaniya Zemli. Materialy VIII Mezhdunarodnoj nauchnoj

konferencii; elektronnoe nauchnoe izdanie. Krasnoyarsk, 2021, рр. 140-143.

20. Ulanova E.S., Strashnaya A.I. Zasuhi v Rossii i ih vliyanie na urozhaynost'

zernovyh kul'tur. Trudy VNIISKHM, 2000, vol. 33, pp. 64-83 [in Russ.].

21. Yakushev V. P., Zhukovsky E. E.Consequence analysis of Climate impact on

agriculture as a problem of risk estimation. Agrofizika [Agrophysica], 2011, no. 4,

pp. 24-39 [in Russ.].

Поступила 17.11.2023; одобрена после рецензирования 23.11.2023;

принята в печать 12.12.2023.

Submitted 17.11.2023; approved after reviewing 23.11.2023;

accepted for publication 12.12.2023.