Прогнозування врожайності на рівні поля
DOI:
https://doi.org/10.36023/ujrs.2024.11.4.275Ключові слова:
врожайність, прогноз, культури, поле, супутникові дані, машинне навчанняАнотація
Прогнозування врожайності на рівні поля є критично важливим для оптимізації сільськогосподарської продуктивності та забезпечення продовольчої безпеки. В цьому дослідженні проведений аналіз варіабельності врожайності кукурудзи, соняшнику та озимої пшениці на 481 сільськогосподарському полі в двох регіонах України (Київська та Черкаська області) за три роки (2020–2022). Метою було дослідити вплив навколишніх факторів на прогнози врожайності культур за допомогою супутникових і погодних даних, дат сівби та площі полів як предикторів у моделі машинного навчання. У дослідженні було використано модель Random Forest. Супутникові дані з Sentinel-2, включаючи значення NDVI та LAI, використовувалися для оцінювання стану культур під час вегетаційного періоду. Для кожного року дослідження в період з квітня по вересень основна увага приділялася значенням NDVI та LAI для кожного місяця. Погодні дані, зокрема опади, також були проаналізовані, але їх прогностична здатність виявилася обмеженою через значне просторове розрізнення даних сітки грідів (6.5 км), що не дає змоги повною мірою врахувати місцеві варіації в межах кожного гріду. Як результат, незважаючи на сильну кореляцію між опадами та врожайністю на більш високому рівні (регіональному), погодні дані не були достатніми для точного прогнозування варіабельності врожайності на рівні поля. Результати показали, що кукурудза мала найвищу варіабельність врожайності, тоді як соняшник і озима пшениця показували більш стабільні врожаї. Для кукурудзи модель продемонструвала відносно високі прогностичні результати з R-квадратом 0,8 та RMSE 1,5 т/га. Найважливішими предикторами були вегетаційні індекси в серпні та дата сівби. Нормалізоване RMSE для кукурудзи становило 20%. Для соняшника модель показала помірну точність з R-квадратом 0,4 та RMSE 0,9 т/га. Ключовими предикторами були середнє значення LAI у травні та липні. Однак, прогностична здатність моделі була обмежена, що призвело до нормалізованого RMSE 23%. Озима пшениця показала подібні результати до соняшника з R-квадратом 0,35 та RMSE 0,9 т/га. Завдяки вищим середнім значенням врожайності нормалізоване RMSE для озимої пшениці становило 15%. Загалом дослідження демонструє різні рівні точності моделі для різних культур, при цьому кукурудза показала найкращу прогностичну ефективність. Результати також підкреслюють необхідність врахування додаткових факторів для покращення прогностичних моделей на рівні поля (таких як властивості ґрунту, мікроклімат і детальний агроменеджмент).
Фінансування: Це дослідження не отримало зовнішнього фінансування.
Доступність даних: Не застосовується.
Подяки: Автори висловлюють щиру подяку компанії Earth Observing System Data Analytics (eosda.com) за підтримку. Також вдячні рецензентам та редакторам за цінні коментарі, рекомендації та увагу до роботи.
Посилання
Breiman, L. (2001). Random forests. Machine learning, 45, 5–32.
Desloires, J., Ienco, D., Botrel, A. (2023). Out-of-year corn yield prediction at field-scale using Sentinel-2 satellite imagery and machine learning methods. Computers and Electronics in Agriculture, 209, 107807.
Hernandez, M., Ritchie, J. (2023). Field-level yield prediction using a combination of ground truth data and remote sensing. Precision Agriculture, 24(3), 498–512. doi:10.1007/s11119-022-09956-2.
Hosseini, M. et al. (2020). Soybean yield prediction at field level using Sentinel-1 Data. AGU Fall Meeting Abstracts, GC034-06.
Huang, H., Liu, X. (2022). "Real-time crop yield prediction using remote sensing and ensemble learning methods. International Journal of Applied Earth Observation and Geoinformation, 109, 102649. doi:10.1016/j.jag.2022.102649.
Khan, M. S., Hameed, M. A. (2023). Machine learning approaches for crop yield prediction: A comprehensive review. Computers and Electronics in Agriculture, 205, 107552. doi:10.1016/j.compag.2023.107552.
Kryvobok, O., Kryvoshein, O., Adamenko, T. (2018). Peculiarities of technological adaptation of the cgms system for agricultural crops monitoring in Ukraine. Ukrainian hydrometeorological journal, 22, 64–79.
Kryvoshein, O., Kryvobok, O., Kozhushko, O. (2023). Correlation of satellite-based LAI and actual crop yield. Ukrainian journal of remote sensing, 10(3), 21–27.
Kumar, A., Verma, R. (2023). Fusion of satellite imagery and machine learning for improving crop yield estimation accuracy. Agricultural Systems, 208, 103728. doi:10.1016/j.agsy.2023.103728.
Liu, X., Zhang, Y. (2022). A review of remote sensing-based crop yield estimation and forecasting. Remote Sensing, 14(2), 368. doi:10.3390/rs14020368.
Liu, X., Zhang, S., Liu, L. (2021). Integration of satellite data and machine learning for crop yield prediction: A case study of wheat. ISPRS Journal of Photogrammetry and Remote Sensing, 174, 89–101. doi:10.1016/ j.isprsjprs.2020.12.007.
Marszalek, M., Körner, M., Schmidhalter, U. (2022). Prediction of multi-year winter wheat yields at the field level with satellite and climatological data. Computers and Electronics in Agriculture, 194, 106777.
Miao, Y., Liu, Y., Wang, Z. (2024). Field-scale crop yield prediction using a combination of remote sensing and deep learning techniques. IEEE Transactions on Geoscience and Remote Sensing, 62(3), 1234–1246. doi:10.1109/ TGRS.2023.3123456.
Miller, J. R., Scott, T. (2023). Advancements in crop yield forecasting through integration of satellite and ground-based data. Precision Agriculture, 24(1), 85–101. doi:10.1007/s11119-022-09945-3.
Shao, J., Chen, X. (2023). Field-scale yield forecasting with deep learning and remote sensing: Applications and challenges. ISPRS Journal of Photogrammetry and Remote Sensing, 189, 142–154. doi:10.1016/j.isprsjprs.2023.01.009.
Zhang, L., Li, J. (2021). Predicting crop yield using multi-source data and machine learning techniques: A comprehensive evaluation. Journal of Agricultural and Food Chemistry, 69(12), 3482–3492. doi:10.1021/ acs.jafc.1c00234.
Zhou, Y., Liu, H. (2024). Machine learning for real-time crop yield prediction: A case study on maize using satellite and weather data. Computers and Electronics in Agriculture, 214, 106957. doi:10.1016/j.compag.2023.106957.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ліцензійні умови: автори зберігають авторські права та надають журналу право першої публікації на твір, одночасно ліцензований за міжнародною ліцензією Creative Commons Attribution License International CC-BY, що дозволяє іншим поділитися твором з підтвердженням авторства твору та первинною публікацією в цьому журналі.
Автори, направляючи рукопис у редакцію «Українського журналу дистанційного зондування Землі», погоджуються з тим, що редакції передаються права на захист і використання рукопису (переданого до редакції журналу матеріалу, в т. ч. такі об’єкти авторського права як фотографії автора, рисунки, схеми, таблиці тощо), в тому числі на відтворення у пресі та мережі Інтернет, на поширення, на переклад рукопису на будь-які мови, експорту та імпорту примірників журналу зі статтею авторів з метою розповсюдження, на доведення до загального відома. Зазначені вище права автори передають редакції без обмеження терміну і на території всіх країн світу без обмеження в т. ч. на території України.
Автори гарантують наявність у них виняткових прав на використання переданого редакції матеріалу. Редакція не несе відповідальності перед третіми особами за порушення даних авторами гарантій. За Авторами залишається право використання їх опублікованого матеріалу, його фрагментів і частин в особистих, у тому числи наукових і освітянських цілях. Права на рукопис вважаються переданими Авторами редакції з моменту підписання до друку випуску журналу, в якому він публікується. Передрук матеріалів, опублікованих у журналі, іншими фізичними та юридичними особами можливий тільки зі згоди редакції, з обов’язковим зазначенням випуску журналу, в якому було опубліковано матеріал.
