Utilizing machine learning and vegetation indices for spring wheat yield forecasting | Использование машинного обучения и вегетационных индексов для прогнозирования урожайности яровой пшеницы

Inglés. The results of research on the development and accuracy assessment of the models predicting spring wheat yield are presented. The study bases are remote sensing data and machine learning. Yield data of 'Novosibirskaya 31' spring wheat obtained in a field experiment conducted in the central forest-steppe of the Novosibirsk region in 2019–2022 were used. Qualitative predictors (the intensification level of agrotechnologies) and quantitative predictors (atmospheric precipitation in critical phases of wheat plant development and indicators of vegetation indices characterizing the condition of crops) were taken into account when creating the models. The use of various methods of intellectual data analysis, the combination of parametric and non-parametric approaches provided a sufficiently high accuracy of forecasting. There were used methods including linear regression, a nonlinear regression spline based model (Regression Splines), decision tree (CART), Random Forest, adaptive boosting (AdaBoost) and Gradient Boosting. It was found that the models based on random forest, gradient and adaptive boosting algorithms were characterized by the highest predictive capabilities of crop yield depending on the emerging conditions of vegetation and controlling action (R2 = 0.74–0.80). The development of predictive yield models using Earth remote sensing and machine learning represent a certain scientific novelty and practical significance for effective management of crop productivity in changing soil-climatic and economic conditions. Predictive modeling is faced with multilevel environmental uncertainty and high variability of the resulting indicators on a specific land plot. The multilevel approach may represent a promising solution for effective forecasting of spring wheat yield.

Ruso. Представлены результаты исследования по разработке и оценке точности предиктивных моделей урожайности яровой пшеницы на основе использования данных дистанционного зондирования Земли и методов машинного обучения. Использовали данные урожайности яровой пшеницы сорта Новосибирская 31, полученные в полевом опыте в центральной лесостепи Новосибирской области в 2019–2022 гг. При создании моделей учитывались качественные предикторы (уровень интенсификации агротехнологий) и количественные (атмосферные осадки в критические фазы развития растений пшеницы и показатели вегетационных индексов, характеризующих состояние посевов). Использование различных методов интеллектуального анализа данных и сочетание параметрических и непараметрических подходов обеспечили достаточно высокую точность прогнозирования. 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. Многоуровневый подход может представлять перспективное решение для эффективного прогнозирования урожайности яровой пшеницы.