REGRESSION FORECASTS OF IRRIGATED WINTER CROP YIELDS USING SATELLITE VEGETATION INDEXЕS: MODELS, PREDICTORS AND EXPERIMENTS
Keywords:
winter wheat and barley yield forecasts, irrigation farming in Iraq, NDVI MODIS, climatic crop anomalies, regression modelsAbstract
The technologies of agrometeorological crop forecasts (ACF), based on data on the normalized vegetation index (NDVI) are an important element of the modern agricultural industry. Aim. To establish the heuristic yield model and approaches to the development of models of regression forecasts, including the ACF predictors selection procedure by exploring satellite Moderate Imaging Spectroradiometer (MODIS) NDVI data and conduct experimental forecasting. Materials and methods. The official yield statistics of irrigated winter wheat and barley in Diwaniyah province of Iraq and the NDVI MODIS observation for 2001–2019 are used. It is proposed to choose a two-component heuristic yield model containing a yield trend, due to a relatively slow change in crop cultivation technology and a climatic component associated with fluctuations in biological productivity due to the effects of weather conditions. Results. Using of heuristic model as background,an object-oriented approach to the choice of ACF regression model and predictor selection is developed. Firstly, we use NDVI semi-quantitative connection with crop coverage and crop leaf indexes to determine NDVI evolution according with the wheat and barley growing stages. Then, it is shown that in the province level ACF, as the original predictors should choose the NDVI time-series derived on the first and second half of February for three distinct grain-producing regions of the province. Experiments have shown that the satisfactory quality of the regressive ACF of both cultures can be achieved with 2–3 different original non-collinear predictors by their combination with
the last year's yield or by inclusion of linear or quadratic dependencies. Conclusion. Wheat forecast with a relative error of 10% is obtained only by special selecting of time interval to train model and by control the parameters of the auto-regressive predictor. The high quality of the barley forecasting models is due to the fact that the variability of barley yields is dominated by the climatic component. The developed object-oriented approach can be adapted to the conditions of rainfed agriculture and to forecast of yield of other crops.
References
Якушев, В.П. Опыт применения и перспективы развития технологий дистанционного зондирования Земли для сельского хозяйства / В.П. Якушев, Н.Н. Дубенок, Е.А. Лупян // Современные проблемы дистанционного зондирования Земли из космоса. – 2019. – Т. 16, № 3. – С. 11–23. DOI: 10.21046/2070-7401-2019-16-3-11-23
Халил, З.Х. Прогноз урожайности озимых пшеницы и ячменя в орошаемых субтропиках с использованием множественной регрессии и искусственных нейронных сетей / З.Х. Халил, С.М. Абдуллаев // Труды 63-й Всероссийской научной конференции МФТИ, 23–29 ноября 2020 года. Нано- ,био-, информационные, когнитивные и социогуманитарные науки и технологии. – М.: МФТИ, 2020. – С. 12–14.
Использование спутниковой информации MODIS в оперативной агрометеорологии / А.Д. Клещенко, В.М. Лебедева, Т.А. Найдина, О.В. Савицкая // Современные проблемы дистан¬ционного зондирования Земли из космоса. – 2015. – Т. 12, № 2. – С. 143–154.
Лебедева, В.М. Основы сельскохозяйственной метеорологии. Т. II: Методы расчетов и прогнозов в агрометеорологии. Кн. 2: Оперативное агрометеорологическое прогнозирование / В.М. Лебедева, А.И. Страшная. – Обнинск: ФГБУ «ВНИИГМИ-МЦД», 2012. – 216 с.
Сиротенко, О.Д. Основы сельскохозяйственной метеорологии. Т. II: Методы расчетов и прогнозов в агрометеорологии. Кн. 1: Математические модели в агрометеорологии / О.Д. Сиротенко. – Обнинск: ФГБУ «ВНИИГМИ-МЦД», 2012. – 136 с.
Прогнозирование урожайности сельскохозяйственных культур на основе спутниковых данных: возможности и перспективы / И.Ю. Савин, С.А. Барталев, Е.А. Лупян и др. // Современные проблемы дистанционного зондирования Земли из космоса. – 2010. – Т. 7, № 3. – С. 275–285.
Метод прогнозирования урожайности по космическим наблюдениям за динамикой развития вегетации / В.Г. Бондур, К.Ю. Гороховский, В.Ю. Игнатьев и др. // Известия высших учебных заведений. Геодезия и аэрофотосъемка. – 2013. – № 6. – С. 61–68.
Методические указания по составлению прогнозов урожайности и валового сбора всех зерновых и зернобобовых культур, а также основных сельскохозяйственных культур в Прибалтике, Белоруссии и европейской части РСФСР / под ред. докт. геогр. наук А.Н. Полевого. – Обнинск: Всесоюзный научно-исследовательский институт сельскохозяйственной метеорологии, 1987. – 109 с.
Wheat growth guide // Agriculture and Horticulture Development Board. Cereals & Oilseeds. – 2018. – 44 р. – https://ahdb.org.uk/wheatgg.
Barley growth guide // Agriculture and Horticulture Development Board. Cereals & Oilseeds. – 2018. – 40 р. – https://ahdb.org.uk/barleygg.
Winter wheat yield forecasting in Ukraine based on Earth observation, meteorological data and biophysical models / F. Kogan, N. Kussul, T. Adamenko et al. // International Journal of Applied Earth Observation and Geoinformation. – 2013. – Vol. 23. – P. 192–203. DOI: 10.1016/j.jag.2013.01.002
Didan, K. MOD13Q1 MODIS/Terra Vegetation Indices 16-Day L3 Global 250m SIN Grid V006/ K. Didan // NASA EOSDIS Land Processes DAAC. Distributed by NASA EOSDIS Land Processes DAAC, 2015. DOI: 10.5067/MODIS/MOD13Q1.006
Khalil, Z.H. Sensitivity of Winter Crops to climate variability in the irrigated subtropics of Iraq (Al-Diwaniyah) / Z.H. Khalil, S.M. Abdullaev // Procedia Computer Science. – 2020 – Vol. 167. – P. 1066–1079. DOI: 10.1016/j.procs.2020.03.405
Дегтярев, А.С. Статистические методы обработки метеорологической информации: учеб. / А.С. Дегтярев, В.А. Драбенко, В.А. Драбенко. – СПб.: ООО «Андреевский издательский дом», 2015. – 225 с.
Абдуллаев, С.М. Жизненный цикл природно-антропогенных систем: концепция и методы исследования / С.М. Абдуллаев, О.Ю. Ленская, Ю.А. Сапельцева // Вестник Воронежского государственного университета. Серия: География. Геоэкология. – 2013. – № 2. – С. 99–106.
Халил, З.Х. Диагностика ландшафтов провинции Эль-Дивания (Ирак) по мультиспектральным снимкам Landsat-8 / З.Х. Халил, С.М. Абдуллаев // Вестник ЮУрГУ. Серия «Вычислительная математика и информатика». – 2018. – Т. 7, № 3. – С. 5–18. DOI: 10.14529/cmse180301
Терехин, Э.А. Влияние проективного покрытия растительности посевных площадей на ее отражательные свойства / Э.А. Терехин // Современные проблемы дистанционного зондирования Земли из космоса. – 2016. – Т. 13, № 3. – С. 61–71. DOI: 10.21046/2070-7401-2016-13-3-61-71
Zadoks, J.C. A decimal code for the growth stages of cereals / J.C. Zadoks, T.T. Chang, C.F. Konzak // Weed Research. – 1974. – Vol. 14, no. 6. – P. 415–421. DOI: 10.1111/j.1365-3180.1974.tb01084.x
Growth stages of mono- and dicotyledonous plants. BBCH Monograph / U. Meier (Ed.). – 2nd edition. – 2001. – 158 p. DOI: 10.5073/bbch0515
Пшеница: история, морфология, биология, селекция: моногр. / В.В. Шелепов, H.H. Чебаков, В.А. Вергунов, B.C. Кочмарский. – Мироновка, 2009. – 575 с.
Potato Yield Prediction Using Machine Learning Techniques and Sentinel 2 Data / D. Gómez, P. Salvador, J. Sanz, J.L. Casanova // Remote Sens. – 2019. – Vol. 11. – 1745. – P. 1–17. DOI: 10.3390/rs11151745
Assessing the Performance of MODIS NDVI and EVI for Seasonal Crop Yield Forecasting at the Ecodistrict Scale / L. Kouadio, N.K. Newlands, A. Davidson et al. // Remote Sensing. – 2014. – Vol. 6. – P. 10193–10214. DOI: 10.3390/rs61010193
Agricultural Recommendation System for Crops Using Different Machine Learning Regression Methods / M. Garanayak, G.S. Sachi, N. Mohanty, A.K. Jagadev // International Journal of Agricultural and Environmental Information Systems. – January – March 2021. – Vol. 12, no. 1. – Р. 1–20. DOI: 10.4018/IJAEIS.20210101.oa1
Bassoa, B. Seasonal crop yield forecast: Methods, applications, and accuracies / B. Bassoa, L. Liua // Chapter 4 in Advances in Agronomy. – January 2018. – P. 201–255. DOI: 10.1016/bs.agron.2018.11.002
