Использование машинного обучения и вегетационных индексов для прогнозирования урожайности яровой пшеницы

Представлены результаты исследования по разработке и оценке точности предиктивных моделей урожайности яровой пшеницы на основе использования данных дистанционного зондирования Земли и методов машинного обучения. В работе использованы данные урожайности яровой пшеницы сорта Новосибирская 31, полученные в полевом опыте в центральной лесостепи Новосибирской области в 2019–2022 гг. При создании моделей учитывались как качественные предикторы (уровень интенсификации агротехнологий), так и количественные (атмосферные осадки в критические фазы развития растений пшеницы и показатели вегетационных индексов, характеризующих состояние посевов). Использование различных методов интеллектуального анализа данных, а также сочетание параметрических и непараметрических подходов в исследовании обеспечили достаточно высокую точность прогнозирования урожайности яровой пшеницы. Для прогнозирования урожайности яровой пшеницы использовали методы, включающие линейную регрессию, нелинейную модель на основе регрессионного сплайна (Regression Splines), дерево решений (CART), случайный лес (Random Forest), адаптивный бустинг (AdaBoost) и градиентный бустинг (Gradient Boosting). Установлено, что модели на основе алгоритмов случайный лес, градиентный и адаптивный бустинги характеризовались наиболее высокими прогностическими возможностями урожайности культуры в зависимости от складывающихся условий вегетации и управляющего воздействия (R2 = 0,74–0,80). Разработка предиктивных моделей урожайности с использованием дистанционного зондирования Земли и машинного обучения представляют определенную научную новизну и практическую значимость для эффективного управления продуктивностью посевов в изменяющихся почвенно-климатических и хозяйственных условиях. Прогнозное моделирование сталкивается с многоуровневой неопределенностью окружающей среды и высокой вариативностью результирующих показателей на конкретном земельном участке. В связи с этим многоуровневый подход может представлять перспективное решение для эффективного прогнозирования урожайности яровой пшеницы.

1. Berger K., Verrelst J., Féret J., Wang Z., Wocher M., Strathmann M., Danner M., Mauser W., Hank T. Crop nitrogen monitoring: Recent progress and principal developments in the context of imaging spectroscopy missions // Remote Sensing of Environment. 2020. Vol. 242. P. 111758. DOI: https://doi.org/10.1016/j.rse.2020.111758.

2. Karthikeyan L., Chawla I., Mishra A.K. A review of remote sensing applications in agriculture for food security: Crop growth and yield, irrigation, and crop losses // Journal of Hydrology. 2020. Vol. 586. Р. 124905. DOI: https://doi.org/10.1016/j.jhydrol.2020.124905.

3. Железный О.М., Тутубалина О.В., Кравцова В.И. Оценка изменений растительности Норильского промышленного района по дистанционным данным на основе анализа трендов спектральных индексов // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. №. 1. С. 170–178. DOI: 10.21046/2070-7401-2022-19-1-170-178.

4. Ochtyra A., Marcinkowska-Ochtyra A., Raczko E. Threshold-and trend-based vegetation change monitoring algorithm based on the inter-annual multi-temporal normalized difference moisture index series: A case study of the Tatra Mountains // Remote Sensing of Environment. 2020. Vol. 249. Р. 112026. DOI: 10.1016/j.rse.2020.112026.

5. Терехин Э.А. Оценка пространственно-временных изменений в зеленой фитомассе аграрной растительности с использованием спектрально-отражательных признаков // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 1. С. 138–148. DOI: 10.21046/2070-7401-2021-18-1-138-148.

6. Huang S., Tang L., Hupy J.P., Wang Y., Shao G. A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing // Journal of Forestry Research. 2021. Vol. 32. N 1. Р. 1–6. DOI: 10.1007/s11676-020-01155-1.

7. Li S., Xu L., Jing Y., Jing Y., Yin H., Li X., Guan X. High-quality vegetation index product generation: A review of NDVI time series reconstruction techniques // International Journal of Applied Earth Observation and Geoinformation. 2021. Vol. 105. P. 102640. DOI: 10.1016/j.jag.2021.102640.

8. Beyer M., Ahmad R., Yang B., Rodríguez-Bocca P. Deep Spatial-Temporal Graph Modeling for Efficient NDVI Forecasting // Smart Agricultural Technology. 2023. Vol. 4. Р. 100172. DOI: 10.1016/j.atech.2023.100172.

9. Olmos-Trujillo E., González-Trinidad J., Júnez-Ferreira H., Pacheco-Guerrero A., Bautista-Capetillo C., Avila-Sandoval C., Galván-Tejada E. Spatial-temporal response of vegetation indices to rainfall and temperature in a semiarid region // Sustainability. 2020. Vol. 12. № 5. Р. 1939. DOI: 10.3390/su12051939.

10. Li W., Migliavacca M., Forkel M., Denissen J.M.C., Reichstein M., Yang H., Duveiller G., Weber U., Orth R. Widespread increasing vegetation sensitivity to soil moisture // Nature Communications. 2022. Vol. 13. № 1. Р. 3959. DOI: 10.1038/s41467-022-31667-9.

11. Chen Y., Tao F. Potential of remote sensing data-crop model assimilation and seasonal weather forecasts for early-season crop yield forecasting over a large area // Field Crops Research. 2022. Vol. 276. P. 108398. DOI: 10.1016/j.fcr.2021.108398.

12. Kamir E., Waldner F., Hochman Z. Estimating wheat yields in Australia using climate records, satellite image time series and machine learning methods // ISPRS Journal of Photogrammetry and Remote Sensing. 2020. Vol 160. P. 124–135. DOI: 10.1016/j.fcr.2021.108398.

13. Bazrafshan O., Ehteram M., Moshizi Z.G., Jamshidi S. Evaluation and uncertainty assessment of wheat yield prediction by multilayer perceptron model with Bayesian and copula Bayesian approaches // Agricultural Water Management. 2022. Vol. 273. P. 107881. DOI: 10.1016/j.agwat.2022.107881.

14. Ibrahim G.R.F., Rasul A., Abdullah H. Assessing how irrigation practices and soil moisture affect crop growth through monitoring Sentinel-1 and Sentinel-2 data // Environmental monitoring and assessment. 2023. Vol. 195. N 11. P. 1262. DOI: 10.1007/s10661-023-11871-w.