Застосування методів машинного навчання та даних дистанційного зондування Землі в прогнозуванні врожайності
DOI:
https://doi.org/10.17721/1728-2713.111.13Ключові слова:
штучний інтелект (ШІ), машинне навчання (ML), дистанційне зондування Землі (ДЗЗ), random forest (RF), gradient boosting (GB), normalized difference moisture index (NDMI), green normalized difference vegetation index (GNDVI), прецизійне землеробство (PZ), кореляційний аналіз (КА)Анотація
Вступ. Прогнозування врожайності сільськогосподарських культур завжди було непростим завданням, особливо в умовах кліматичної нестабільності та зростаючого тиску на ресурси. Зважаючи на обмеження класичних математичних моделей у такій складній галузі, як аграрна аналітика, нині все більшої ваги набувають підходи, основані на даних і машинному навчанні. Особливо перспективним виглядає поєднання супутникових знімків, агрохімічного аналізу ґрунтів та алгоритмів штучного інтелекту для побудови гнучких і точних прогнозів.
Методи. Проаналізовано два сільськогосподарські поля, розташовані в різних регіонах України, із різними природними умовами. Було зібрано масив даних: топографічні параметри (висота, ухил, водозбірний потенціал), спектральні індекси із супутників Sentinel-2A та Landsat 8 (зокрема, NDMI, GNDVI), а також хімічний склад ґрунту. За допомогою кореляційного аналізу визначено, які саме показники тісніше пов'язані з рівнем урожайності. Побудовано моделі прогнозу врожайності на основі Random Forest та Gradient Boosting, з адаптацією під розділення полів на підділянки розміром 5 та 1 га.
Результати. Аналіз показав, що стан вегетації та водний баланс культури (NDMI, GNDVI) найкраще пояснюють варіації врожайності. Водночас такі показники, як температура поверхні, мають чіткий негативний вплив, що може вказувати на тепловий стрес у періоди наливу зерна. Gradient Boosting продемонстрував особливо добру чутливість до просторової деталізації – на сітці 1 га точність прогнозу досягала R² = 0,801. Натомість Random Forest показав себе як стійкий і менш чутливий до масштабу даних метод.
Висновки. У досліджені доведено, що поєднання супутникових знімків, результатів аналізу ґрунтів та методів машинного навчання дає змогу поліпшити точність прогнозування врожайності. У моделі включено показники вегетації та характеристики умов вирощування культур. Також проведено порівняння різних алгоритмів при різній деталізації просторових даних. Отримані результати свідчать про те, що запропонований підхід може бути корисним у практиці точного землеробства, особливо для агрономічного планування та моніторингу посівів.
Посилання
Alpaydin, E. (2010). Introduction to machine learning (2nd ed.). The MIT Press.
Ayodele, T. O. (2010). Introduction to machine learning. In IntechOpen. https://www.intechopen.com/chapters/10703
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. The Annals of Statistics, 29(5), 1189–1232. https://doi.org/10.1214/aos/1013203451
Gnatienko, I., Sorochynskyi, I., & Derkach, M. (2024). Comparative analysis of ensemble learning methods for yield prediction based on remote sensing. Journal of Precision Agriculture and Data Science, 12(1), 45–58 [in Ukrainian]. [Гнатієнко, І., Сорочинський, І., & Деркач, М. (2024). Порівняльний аналіз методів ансамблевого навчання для прогнозування врожайності на основі дистанційного зондування. Журнал прецизійного землеробства та наук про дані, 12(1), 45–58].
Ivanenko, O., & Sakhno, S. (2021). Use of NDVI and NDMI indices for crop yield estimation in Ukrainian agricultural systems. Agroecology and Land Management, 24(3), 71–78 [in Ukrainian]. [Іваненко, О., & Сахно, С. (2021). Використання індексів NDVI та NDMI для оцінки врожайності в агросистемах України. Агроекологія і землекористування, 24(3), 71–78].
Kravchenko, P., & Danylenko, V. (2022). Assessment of vegetation stress indicators for yield forecasting in arid zones of Ukraine. Ukrainian Journal of Remote Sensing, 10(2), 33–41 [in Ukrainian]. [Кравченко, П., & Даниленко, В. (2022). Оцінка індикаторів вегетаційного стресу для прогнозування врожайності в посушливих регіонах України. Український журнал дистанційного зондування, 10(2), 33–41].
Kussul, N., Lavreniuk, M., Skakun, S., & Shelestov, A. (2017). Deep learning classification of land cover and crop types using remote sensing data. IEEE Geoscience and Remote Sensing Letters, 14(5), 778–782. https://doi.org/10.1109/LGRS.2017.2681128
Kuwata, K., & Shibasaki, R. (2015). Estimating crop yields with deep learning and remotely sensed data. In Proceedings of the 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS) (pp. 858–861). IEEE. https://doi.org/10.1109/IGARSS.2015.7325924
Lobell, D. B., Thau, D., Seifert, C., Engle, E., & Little, B. (2015). A scalable satellite-based crop yield mapper. Remote Sensing of Environment, 164, 324–333. https://doi.org/10.1016/j.rse.2015.04.021
Maimaitijiang, M., Sagan, V., Sidike, P., Maimaitiyiming, M., Hartling, S., Peterson, K. T., & Fritschi, F. B. (2020). Soybean yield prediction from UAV using multimodal data fusion and deep learning. Remote Sensing of Environment, 237, 111599. https://doi.org/10.1016/j.rse.2019.111599
Makedonska, I. O., Zatserkovnyi, V. I., & Tustanovska, L. V. (2018). Application of GIS technologies and remote sensing in precision farming. In 17th International Conference on Geoinformatics – Theoretical and Applied Aspects. EAGE. https://doi.org/10.3997/2214-4609.201801835
McQueen, R. J., Garner, S. R., Nevill-Manning, C. G., & Witten, I. H. (1995). Applying machine learning to agricultural data. Computers and Electronics in Agriculture, 12(4), 275–293. https://doi.org/10.1016/0168-1699(95)98601-9
Melnyk, O. (2023). Application of LSTM neural networks for regional crop yield forecasting based on EO data. Environmental Modeling and Assessment, 28(1), 109–123 [in Ukrainian]. [Мельник, О. (2023). Застосування нейронних мереж LSTM для регіонального прогнозування врожайності на основі даних дистанційного зондування. Екологічне моделювання та оцінювання, 28(1), 109–123].
Pearson, K. (1895). Notes on regression and inheritance in the case of two parents. Proceedings of the Royal Society of London, 58, 240–242.
Samko, M., Zatserkovnyi, V. I., Vorokh, V., Tsyguliov, I., & Ilchenko, A. (2025, April). Monitoring using UAVs in precision farming technologies [Conference presentation]. XVIII International Scientific Conference "Monitoring of Geological Processes and Ecological Condition of the Environment", Kyiv, Ukraine.
Semeniaka, V., Zatserkovnyi, V. I., Vorokh, V. V., Ilyin, L., & Myronchuk, T. (2024, October). Differential technologies for precision agriculture [Conference paper]. International Conference of Young Professionals "GeoTerrace-2024", EAGE. https://doi.org/10.3997/2214-4609.2024510098
Shin, J., Kim, N., & Lee, H. (2021). Evaluation of machine learning models for predicting crop yield at field level. Computers and Electronics in Agriculture, 182, 106037. https://doi.org/10.1016/j.compag.2021.106037
Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data mining: Practical machine learning tools and techniques. Morgan Kaufmann. https://doi.org/10.1016/C2009-0-19715-5
Xu, X., Gao, P., Zhu, X., Guo, W., Ding, J., Li, C., & Wu, X. (2019). Design of an integrated climatic assessment indicator (ICAI) for wheat production: A case study in Jiangsu Province, China. Ecological Indicators, 101, 943–953. https://doi.org/10.1016/j.ecolind.2019.01.059
You, J., Li, X., Low, M., Lobell, D., & Ermon, S. (2017). Deep Gaussian processes for crop yield prediction based on remote sensing data. In Proceedings of the 31st AAAI Conference on Artificial Intelligence (pp. 4559–4566). AAAI Press. https://doi.org/10.1609/aaai.v31i1.11273
Zatserkovnyi, V., Vorokh, V., Hloba, O., Mironchuk, T., & Siuiva, I. (2025). Agrochemical analysis of soils in precision farming technologies: A case study of the Chernihiv region. Visnyk of Taras Shevchenko National University of Kyiv. Geology, 1(108), 85–93. https://doi.org/10.17721/1728-2713.108.12
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Vitaliy ZATSERKOVNYI, Victor VOROKH, Olga HLOBA, Olesia LIASHCHENKO, Iryna SIUIVA
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
Ознайомтеся з політикою за посиланням: https://geology.bulletin.knu.ua/licensing
