Мониторинг сельскохозяйственной засухи с помощью ГИС и ДЗЗ в период с 2001 по 2021 годы и ее прогнозирование с использованием глубокого обучения
Проблема
Из-за своего географического положения и климата Центральная Азия уязвима к опустыниванию, деградации земель и засухе, и значительная часть земель уже пострадала.
Согласно отчету UNDP, “Стратегические меры по борьбе с опустыниванием в Республике Казахстан до 2025 года”, Казахстан теряет около 93 млрд тенге ежегодно из-за засухи.
В северные зерносеющие регионы Казахстана, где сосредоточено 73% посевных площадей сельскохозяйственных культур, входит Северо-Казахстанская, Костанайская, Акмолинская и Павлодарская области (более 565 тыс. кв.км). Согласно классификации Кёппен-Гейгера, более 80% посевных площадей расположена преимущественно в холодной полузасушливой природной зоне. Учитывая, что львиная доля приходится на богарные культуры, т.е. сельскохозяйственные культуры возделываются без искусственного орошения, засуха является основной угрозой неурожая. Поэтому возникает необходимость мониторинга и прогнозирования сельскохозяйственной засухи по всей республике.
Методика
Сельскохозяйственная засуха возникает, когда урожайность сельскохозяйственных культур ниже нормы из-за длительного недостатка влаги в почве в корневой зоне из-за меньшего, чем обычно, количества осадков (Vyas et al., 2015). В этом исследовании использовались три продукта дистанционного зондирования: NDVI, осадки и влажность почвы, которые отражают, соответственно, интенсивность растительности и основное водообеспечение почвы в течение вегетационного периода. Сельскохозяйственная засуха отслеживалась и прогнозировалась с использованием модифицированного комбинированного индекса дефицита (mCDI), основанного на месячном дефиците NDVI, осадков и влажности почвы. Все входные параметры за 20-летний период доступны на странице "Исторические данные".
Вся обработка производилась на облачной платформе Google Earth Engine. Исходные коды доступны на сайте платформы GEE
Валидация модифицированного комбинированного индекса дефицита (mCDI)
Мы использовали оцифрованные данные об урожайности пшеницы за 2020 год в Костанайской области для проверки результатов mCDI и рассчитали коэффициент корреляции. Коэффициент корреляции является статистической мерой силы линейной связи между двумя переменными. В нашем случае корреляция оказалась очень высокой (R2=0.93), что свидетельствует о высокой достоверности mCDI при мониторинге сельскохозяйственной засухи по Республике Казахстан.
Прогнозирование сельскохозяйственной засухи
Модель глубокого обучения Temporal Fusion Transformer (TFT) использовалась для прогнозирования сельскохозяйственной засухи на основе mCDI в Республике Казахстан.
TFT — это модель глубокого обучения, использующая метод механизма внимания. Он сочетает в себе высокопроизводительное многозонное прогнозирование с интерпретируемым пониманием временной динамики. Чтобы исследовать временные отношения в разных масштабах, TFT использует повторяющиеся слои для локальной обработки и интерпретирующие слои самоконтроля для долгосрочных зависимостей.
Основным преимуществом модели TFT перед моделью Transformer является возможность использования статических ковариатов. Статические ковариаты содержат данные, которые присоединены к временному ряду, но не изменяются с течением времени. Это позволило нам добавить дополнительную информацию, такую как широта/долгота, климатическая зона и данные о средней высоте конкретного района.
Страница "Модели прогнозирования" содержит результаты исторических прогнозов сельскохозяйственных засух на четыре, двенадцать и двадцать четыре недели с использованием различных пространственных разделений (1-градусная сетка и границы административных районов). Кроме того, результаты включают три различных сценария (позитивный [q01], базовый [q05] и негативный [q09]) развития событий. Выполненная модель четырехнедельного прогнозирования продемонстрировала выдающиеся результаты со средним значением MASE 0,4-0,6 и совпадением класса серьезности засухи около 85% в базовом сценарии. В случае двенадцатинедельного прогноза совпадение классов интенсивности засухи составило около 45%, а среднее значение MASE увеличилось до 1,6, в то время как 24-недельный прогноз показал неудовлетворительный результат, требующий дальнейшего улучшения.