Модели машинного обучения для прогнозирования урожайности яровой пшеницы с использованием вегетационных индексов

Исследовано применение вегетационных индексов, полученных с помощью дистанционного зондирования, для прогнозирования урожайности яровой пшеницы с использованием методов машинного обучения. Тестовой площадкой служил полевой опыт по возделыванию яровой пшеницы по интенсивной агротехнологии в течение 2019–2023 гг. на участке, расположенном в Новосибирской области. Почва – чернозем выщелоченный. Использовали ежегодные снимки за период июнь – июль спутника Sentinel-2 с пространственным разрешением 10 м в пикселе. Предварительный анализ связи вегетационных индексов с урожайностью пшеницы четырьмя методами выявил, что наиболее значимыми, показавшими наивысшие интегральные значения важности, были NDVI (0,63), GCI (0,47), RECI, NGRDI и NDRE (0,40). Для создания моделей прогнозирования урожайности пшеницы применяли случайный лес (RF), экстремальный градиентный бустинг (XGBoost) и метод опорных векторов для регрессии (SVR). В моделях использовали три набора данных: полный набор (21 вегетационный индекс), выборочный набор (пять вегетационных индексов) и с одним NDVI. Наилучшие результаты достигнуты моделью XGBoost, которая показала высокую эффективность (R² = 0,75) как на наборе из пяти признаков, так и при использовании только NDVI, причем в последнем случае достигнута наименьшая средняя абсолютная ошибка (MAE = 0,24 т/га). Модель RF также показала хорошие результаты на сокращенных наборах данных (R² = 0,75 на пяти вегетационных индексах и R² = 0,70 на NDVI). Для модели SVR отмечено существенное снижение эффективности при уменьшении количества признаков (от R² = 0,74 до R² = 0,64). Результаты исследования имеют практическое значение для оптимизации дистанционного мониторинга посевов, демонстрируя возможность эффективного прогнозирования урожайности на основе минимального набора спектральных данных.

1. Khanal S., Kc K., Fulton J.P., Shearer S., Ozkan E. Remote Sensing in Agriculture – Accomplishments, Limitations, and Opportunities // Remote Sensing. 2020. Vol. 12. N 22. Р. 3783. DOI: 10.3390/rs12223783.

2. Weiss M., Jacob F., Duveiller G. Remote sensing for agricultural applications: A meta-review // Remote Sensing of Environment. 2020. Vol. 236. Р. 111402. DOI: 10.1016/j.rse.2019.111402.

3. Денисов П.В., Середа И.И., Трошко К.А., Лупян Е.А., Плотников Д.Е., Толпин, В.А. Возможности и опыт оперативного дистанционного мониторинга состояния озимых культур на территории России // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 2. С. 171. DOI: 10.21046/2070-7401-2021-18-2-171-185.

4. Якушев В.П., Якушев В.В., Блохина С.Ю. Блохин Ю.И., Матвеенко Д.А. Перспективы выявления идентификационных показателей состояния посевов по аэрокосмическим снимкам и специализированным полевым исследованиям // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 4. С. 113–127. DOI: 10.21046/2070-7401-2022-19-4-113-127.

5. Курбанов Р.К., Захарова Н.И. Применение вегетационных индексов для оценки состояния сельскохозяйственных культур // Сельскохозяйственные машины и технологии. 2020. Т. 14. № 4. С. 4–11. DOI: 10.22314/2073-7599-2020-14-4-4-11.

6. Hatfield J.L., Prueger J.H., Sauer T.J., Dold C., O’brien P., Wacha K. Applications of Vegetative Indices from Remote Sensing to Agriculture: Past and Future // Inventions. 2019. Vol. 4. Р. 71. DOI: 10.3390/inventions4040071.

7. Степанов А.С., Асеева Т.А., Дубровин К.Н. Влияние климатических характеристик и значений вегетационного индекса NDVI на урожайность сои (на примере районов Приморского края) // Аграрный вестник Урала. 2020. № 1 (192). С. 10–19. DOI: 10.32417/1997-4868-2020-192-1-10-19.

8. Сторчак И.Г., Ерошенко Ф.В., Оганян Л.Р., Шестакова Е.О., Калашникова А.А. Возможность оценки степени развития растений озимой пшеницы в период «всходы – кущение» по данным дистанционного зондирования земли // Инженерные технологии и системы. 2021. Т. 31. № 1. С. 21–36. DOI: 10.15507/2658-4123.031.202101.021-036.

9. Родимцев С.А., Павловская Н.Е., Вершинен С.В., Горькова И.В., Гагарина И.Н. Использование вегетативного индекса NDVI для прогноза урожайности зерновых культур // Вестник НГАУ. 2023. № 4. С. 56–67. DOI: 10.31677/2072-6724-2022-65-4-56-67.

10. Radočaj D., Šiljeg A., Marinović R., Jurišić M. State of major vegetation indices in precision agriculture studies indexed in web of science: A review // Agriculture. 2023. Vol. 13. N 3. Р. 707. DOI: 10.3390/agriculture13030707.

11. Xue J., Su B. Significant Remote Sensing Vegetation Indices: A Review of Developments and Applications. // Sensors and Sensor. 2017. Article ID: 1353691. DOI: 10.1155/2017/1353691.

12. Ali A., Martelli R., Lupia F., Barbanti L. Asses sing multiple years’ spatial variability of crop yields using satellite vegetation indices // Remote sensing. 2019. Vol. 11. N 20. Р. 2384. DOI: 10.3390/rs11202384.

13. Yang M., Hassan M.A., Xu K., Zheng C., Rasheed A., Zhang Y., Jin X., Xia X., Xiao Y., He Z. Assessment of water and nitrogen use efficiencies through UAV-based multispectral phenotyping in winter wheat // Frontiers in plant science. 2020. Vol. 11. Р. 927. DOI: 10.3389/fpls.2020.00927.

14. Liu Y., Sun L., Liu B., Wu Y., Ma J., Zhang W., Wang B., Chen Z. Estimation of Winter Wheat Yield using multiple temporal vegetation indices derived from UAV-Based multispectral and hyperspectral imagery // Remote Sensing. 2023. Vol. 15. N 19. Р. 4800. DOI: 10.3390/rs15194800.

15. Vallentin C., Harfenmeister K., Itzerott S., Kleinschmit B., Conrad C., Spengler D. Suitability of satellite remote sensing data for yield estimation in northeast Germany // Precision Agriculture. 2022. Vol. 23. N 1. Р. 52–82. DOI: 10.1007/s11119-021-09827-6.

16. Vidican R., Mălinaș A., Ranta O., Moldovan C., Marian O., Ghețe A., Ghișe C.R., Popovici F., Cătunescu G.M. Using remote sensing vegetation indices for the discrimination and monitoring of agricultural crops: a critical review // Agronomy. 2023. Vol. 13. N 12. Р. 3040. DOI: 10.3390/agronomy13123040.

17. Haque M.A., Reza M.N., Ali M., Karim M.R., Ahmed S., Lee K.D., Khang Y.H., Chung S.O. Effects of environmental conditions on ve getation indices from multispectral images: A review // Korean Journal of Remote Sensing. 2024. Vol. 40. N 4. Р. 319–341. DOI: 10.7780/kjrs.2024.40.4.1.

18. Rose M., Rose T., Kage H. Spectral reflection and crop parameters: can the disentanglement of primary and secondary traits lead to more robust and extensible prediction models? // Precision Agriculture. 2023. Vol. 24. Р. 607–626. DOI: 10.1007/s11119-022-09961-9.

19. Cheng E., Zhang B., Peng D. Zhong L., Yu L., Liu Y., Xiao C., Li C., Li X., Chen Y., Ye H., Wang H., Yu R., Hu J., Yang S. Wheat yield estimation using remote sensing data based on machine learning approaches // Frontiers in Plant Science. 2022. Vol. 13. Р. 1090970. DOI: 10.3389/fpls.2022.1090970.

20. Uribeetxebarria A., Castellón A., Aizpurua A. Optimizing wheat yield prediction integrating data from Sentinel-1 and Sentinel-2 with CatBoost algorithm // Remote Sensing. 2023. Vol. 15. N 6. Р. 1640. DOI: 10.3390/rs15061640.

21. Zhang H., Zhang Y., Liu K., Lan S., Gao T., Li M. Winter wheat yield prediction using integrated Landsat 8 and Sentinel-2 vegetation index time-series data and machine learning algorithms // Computers and Electronics in Agriculture. 2023. Vol. 213. Р. 108250. DOI: 10.1016/j.compag.2023.108250.

22. Burdett H., Wellen C. Statistical and machine learning methods for crop yield prediction in the context of precision agriculture // Precision agriculture. 2022. Vol. 23. N 5. Р. 1553–1574. DOI: 10.1007/s11119-022-09897-0.

23. Bali N., Singla A. Emerging trends in machine learning to predict crop yield and study its influential factors: A survey // Archives of computational methods in engineering. 2022. Vol. 29. N 1. Р. 95–112. DOI: 10.1007/s11831-021-09569-8.

24. Han J., Zhang Z., Cao J., Luo Y., Zhang L., Li Z., Zhang J. Prediction of Winter Wheat Yield Based on Multi-Source Data and Machine Learning in China // Remote Sensing. 2020. Vol. 12. N 2. Р. 236. DOI: 10.3390/rs12020236.

25. Bian C., Shi H., Wu S., Zhang K., Wei M., Zhao Y., Sun Y., Zhuang H., Zhang X., Chen S. Prediction of field-scale wheat yield using machine learning method and multi-spectral UAV data // Remote Sensing. 2022. Vol. 14. N 6. Р. 1474. DOI: 10.3390/rs14061474.

26. Omia E., Bae H., Park E., Kim M.S., Baek I., Kabenge I., Cho B.K. Remote Sensing in Field Crop Monitoring: A Comprehensive Review of Sensor Systems, Data Analyses and Recent Advances // Remote Sensing. 2023. Vol. 15. N 2. Р. 354. DOI: 10.3390/rs15020354.

27. Skobalski J., Sagan V., Alifu H., Akkad O.Al., Lopes F.A., Grignola F. Bridging the gap between crop breeding and GeoAI: Soybean yield prediction from multispectral UAV images with transfer learning // ISPRS Journal of Photogrammetry and Remote Sensing. 2024. Vol. 210. Р. 260–281. DOI: 10.1016/j.isprsjprs.2024.03.015.

28. Xu H., Xu D., Chen S., Ma W., Shi Z. Rapid Determination of Soil Class Based on Visible-Near Infrared, Mid-Infrared Spectroscopy and Data Fusion // Remote Sens. 2020. Vol. 12. Р. 1512. DOI: 10.3390/rs12091512.

29. Liu S., Hu Z., Han J., Li Y., Zhou T. Predicting grain yield and protein content of winter wheat at different growth stages by hyperspectral data integrated with growth monitor index // Computers and Electronics in Agriculture. 2022. Vol. 200. Р. 107235. DOI: 10.1016/j.compag.2022.107235.

30. Speiser J.L., Miller M.E., Tooze J., Ip E. Comparison of Random Forest Variable Selection Methods for Classification Prediction Modeling // Expert Syst Appl. 2019. Vol. 15. N 134. Р. 93–101. DOI: 10.1016/j.eswa.2019.05.028.

31. Liu H., Ong Y.S., Shen X., Cai J. When Gaussian process meets big data: a review of scalable GPs // IEEE Transactions on Neural Networks and Learning Systems. 2020. Vol. 31. N 11. Р. 4405–4423. DOI: 10.1109/TNNLS.2019.2957109.

32. Shi G., Du X., Du M., Li Q., Tian X., Ren Y., Zhang Y., Wang H. Cotton Yield Estimation Using the Remotely Sensed Cotton Boll Index from UAV Images // Drones. 2022. Vol. 6. Р. 254. DOI: 10.3390/drones6090254.

33. Fan J., Zheng J., Wu L., Zhang F. Estimation of daily maize transpiration using support vector machines, extreme gradient boosting, artificial and deep neural networks models // Agricultural Water Management. 2021. Vol. 245. Р. 106547. DOI: 10.1016/j.agwat.2020.106547.

34. Zhang Y., Liu J., Shen W. A review of ensemble learning algorithms used in remote sensing applications // Applied Sciences. 2022. Vol. 12. N 17. Р. 8654. DOI: 10.3390/app12178654.