В ФБГУ «ВНИИСХМ» в последние годы активно ведутся разработки методов оценки ожидаемой урожайности сельскохозяйственных культур в разрезе субъектов и административных районов на основе интеграции наземной и спутниковой информации Modis (сервис ВЕГА-PRO). Первые разработки были основаны на использовании корреляционно-регрессионного анализа, последующие исследования были направлены на улучшение точности расчетов, путем увеличения числа входных параметров прогностической модели. В условиях мультиколлинеарности параметров использовать регрессионный подход не представляется возможным. В качестве метода, который позволяет решать подобные задачи, был применен метод главных компонент (МГК). Результаты авторских проверок метода для территории юга России показали хорошую согласованность между рассчитанными и фактическими значениями средней районной урожайности озимой пшеницы. Для территории Центрально-Черноземной зоны наблюдается более сильная вариабельность коэффициентов корреляции исследуемых параметров с урожайностью озимой пшеницы. И поэтому для получения надёжных зависимостей в этом случае должна соблюдаться строгая пропорциональность между весами входных параметров в прогностической модели и значениями коэффициентов корреляции. Для этого использовался метод проекции на латентные структуры (ПЛС). Разница между ПЛС и МГК заключается в способе проекции данных. В методе МГК проекция строится только по данным X (метеорологические, спутниковые). Значения откликов Y (урожайность озимой пшеницы) никак не используются. При построении ПЛС-модели одновременно раскладываются две матрицы X и Y таким образом, чтобы максимально скоррелировать новые координаты (главные компоненты) с дисперсией в матрице Y. Результаты проверки расчетов по двум методам (ПЛС и МГК) показали:
– преимущество метода ПЛС для случаев с сильной вариабельностью коэффициентов корреляции;
– при похожих коэффициентах корреляции, оба метода дают примерно одинаковый результат.
Таким образом, используемый метод ПЛС позволяет получать более корректные зависимости между спутниковыми и метеорологическими данными и урожайностью для условий, в которых наблюдается большая вариабельность коэффициентов корреляции этих зависимостей.