Порівняльна оцінка алгоритмів машинного навчання для прогнозування врожайності пшениці з використанням кліматичних індикаторів та супутникових індексів вегетації
DOI:
https://doi.org/10.15587/1729-4061.2025.340563Ключові слова:
прогнозування врожайності пшениці, випадковий ліс, машина опорних векторів, згорткова нейронна мережа, нормалізований різницевий вегетаційний індекс, покращений вегетаційний індекс, MODIS, ERA5Анотація
Об'єктом дослідження є прогнозування врожайності пшениці на основі інтеграції кліматичних показників, супутникових вегетаційних індексів та алгоритмів машинного навчання. Проблема, яку необхідно вирішити, полягає в обмеженій точності традиційних методів прогнозування врожайності сільськогосподарських культур, які не враховують складні нелінійні та багатовимірні взаємодії між кліматичними, біофізичними та агрономічними факторами, що зменшує їхню застосовність для завдань глобальної продовольчої безпеки. Запропонований підхід застосовується до набору даних, що містить 345 спостережень за 2001–2023 роки, поєднуючи вегетаційні індекси (MODIS), кліматичні параметри (ERA5) та офіційну статистику щодо врожайності та посівних площ.
Методологія включала описову статистику, кореляційний аналіз та моделі прогнозування на основі випадкового лісу, методу опорних векторів та згорткової нейронної мережі. Продуктивність моделі оцінювалася за допомогою коефіцієнта детермінації, середньоквадратичної помилки та середньої абсолютної помилки. Метод випадкового лісу та метод опорних векторів показали найвищу точність (R2 = 0,85 з низькими помилками), тоді як згорткова нейронна мережа була менш ефективною через обмежений набір даних. Аналіз підтвердив вирішальну роль вегетаційних індексів, особливо нормалізованого різницевого вегетаційного індексу, разом з опадами, температурою та посівними площами.
Результати вирішують виявлену прогалину в дослідженнях, демонструючи, що інтеграція кліматичних індикаторів та супутникових вегетаційних індексів значно підвищує продуктивність моделей машинного навчання для прогнозування врожайності пшениці. Зокрема, результати дослідження підкреслюють переваги ансамблевих та опорних векторних методів, які виявилися більш надійними та точними в умовах високої кліматичної мінливості.
Практична цінність полягає в потенційному використанні цих моделей у системах раннього попередження та підтримки рішень для фермерів та державних установ, покращуючи агротехнічне планування, розподіл ресурсів та зменшуючи ризики для продовольчої безпеки, тим самим сприяючи глобальній продовольчій безпеці
Посилання
- Molotoks, A., Smith, P., Dawson, T. P. (2020). Impacts of land use, population, and climate change on global food security. Food and Energy Security, 10 (1). https://doi.org/10.1002/fes3.261
- Yu, W., Yue, Y., Wang, F. (2022). The spatial-temporal coupling pattern of grain yield and fertilization in the North China plain. Agricultural Systems, 196, 103330. https://doi.org/10.1016/j.agsy.2021.103330
- Lesk, C., Anderson, W., Rigden, A., Coast, O., Jägermeyr, J., McDermid, S. et al. (2022). Compound heat and moisture extreme impacts on global crop yields under climate change. Nature Reviews Earth & Environment, 3 (12), 872–889. https://doi.org/10.1038/s43017-022-00368-8
- Malhi, G. S., Kaur, M., Kaushik, P. (2021). Impact of Climate Change on Agriculture and Its Mitigation Strategies: A Review. Sustainability, 13 (3), 1318. https://doi.org/10.3390/su13031318
- Tamayo-Vera, D., Wang, X., Mesbah, M. (2024). A Review of Machine Learning Techniques in Agroclimatic Studies. Agriculture, 14 (3), 481. https://doi.org/10.3390/agriculture14030481
- Shammi, S. A., Meng, Q. (2021). Use time series NDVI and EVI to develop dynamic crop growth metrics for yield modeling. Ecological Indicators, 121, 107124. https://doi.org/10.1016/j.ecolind.2020.107124
- Swoish, M., Da Cunha Leme Filho, J. F., Reiter, M. S., Campbell, J. B., Thomason, W. E. (2022). Comparing satellites and vegetation indices for cover crop biomass estimation. Computers and Electronics in Agriculture, 196, 106900. https://doi.org/10.1016/j.compag.2022.106900
- Fadl, M. E., AbdelRahman, M. A. E., El-Desoky, A. I., Sayed, Y. A. (2024). Assessing soil productivity potential in arid region using remote sensing vegetation indices. Journal of Arid Environments, 222, 105166. https://doi.org/10.1016/j.jaridenv.2024.105166
- Jabed, Md. A., Azmi Murad, M. A. (2024). Crop yield prediction in agriculture: A comprehensive review of machine learning and deep learning approaches, with insights for future research and sustainability. Heliyon, 10 (24), e40836. https://doi.org/10.1016/j.heliyon.2024.e40836
- Elbasi, E., Zaki, C., Topcu, A. E., Abdelbaki, W., Zreikat, A. I., Cina, E. et al. (2023). Crop Prediction Model Using Machine Learning Algorithms. Applied Sciences, 13 (16), 9288. https://doi.org/10.3390/app13169288
- Asamoah, E., Heuvelink, G. B. M., Chairi, I., Bindraban, P. S., Logah, V. (2024). Random forest machine learning for maize yield and agronomic efficiency prediction in Ghana. Heliyon, 10 (17), e37065. https://doi.org/10.1016/j.heliyon.2024.e37065
- Guo, Y. (2023). Integrating genetic algorithm with ARIMA and reinforced random forest models to improve agriculture economy and yield forecasting. Soft Computing, 28 (2), 1685–1706. https://doi.org/10.1007/s00500-023-09516-8
- Ingole, V. S., Kshirsagar, U. A., Singh, V., Yadav, M. V., Krishna, B., Kumar, R. (2024). A Hybrid Model for Soybean Yield Prediction Integrating Convolutional Neural Networks, Recurrent Neural Networks, and Graph Convolutional Networks. Computation, 13 (1), 4. https://doi.org/10.3390/computation13010004
- Uluocak, I., Bilgili, M. (2023). Daily air temperature forecasting using LSTM-CNN and GRU-CNN models. Acta Geophysica, 72 (3), 2107–2126. https://doi.org/10.1007/s11600-023-01241-y
- Abdel-salam, M., Kumar, N., Mahajan, S. (2024). A proposed framework for crop yield prediction using hybrid feature selection approach and optimized machine learning. Neural Computing and Applications, 36 (33), 20723–20750. https://doi.org/10.1007/s00521-024-10226-x
- Celis, J., Xiao, X., Wagle, P., Adler, P. R., White, P. (2024). A Review of Yield Forecasting Techniques and Their Impact on Sustainable Agriculture. Transformation Towards Circular Food Systems, 139–168. https://doi.org/10.1007/978-3-031-63793-3_8
- Ashfaq, M., Khan, I., Alzahrani, A., Tariq, M. U., Khan, H., Ghani, A. (2024). Accurate Wheat Yield Prediction Using Machine Learning and Climate-NDVI Data Fusion. IEEE Access, 12, 40947–40961. https://doi.org/10.1109/access.2024.3376735
- Jiang, P., Yuan, Y., Li, Q. (2024). Advanced precipitation enhances vegetation primary productivity in Central Asia. Ecological Indicators, 166, 112276. https://doi.org/10.1016/j.ecolind.2024.112276
- Nurbekov, A., Kosimov, M., Islamov, S., Khaitov, B., Qodirova, D., Yuldasheva, Z. et al. (2024). No-till, crop residue management and winter wheat-based crop rotation strategies under rainfed environment. Frontiers in Agronomy, 6. https://doi.org/10.3389/fagro.2024.1453976
- Su, F., Liu, Y., Chen, L., Orozbaev, R., Tan, L. (2023). Impact of climate change on food security in the Central Asian countries. Science China Earth Sciences, 67 (1), 268–280. https://doi.org/10.1007/s11430-022-1198-4
- Sánchez, J. C. M., Mesa, H. G. A., Espinosa, A. T., Castilla, S. R., Lamont, F. G. (2025). Improving wheat yield prediction through variable selection using Support Vector Regression, Random Forest, and Extreme Gradient Boosting. Smart Agricultural Technology, 10, 100791. https://doi.org/10.1016/j.atech.2025.100791
- Sonmez, M. E., Sabanci, K., Aydin, N. (2024). Convolutional neural network-support vector machine-based approach for identification of wheat hybrids. European Food Research and Technology, 250 (5), 1353–1362. https://doi.org/10.1007/s00217-024-04473-4
- Ashfaq, M., Khan, I., Shah, D., Ali, S., Tahir, M. (2025). Predicting wheat yield using deep learning and multi-source environmental data. Scientific Reports, 15 (1). https://doi.org/10.1038/s41598-025-11780-7
- Nigam, S., Jain, R., Singh, V. K., Marwaha, S., Arora, A., Jain, S. (2024). EfficientNet architecture and attention mechanism-based wheat disease identification model. Procedia Computer Science, 235, 383–393. https://doi.org/10.1016/j.procs.2024.04.038
- Ma, J., Zhao, Y., Cui, B., Liu, L., Ding, Y., Chen, Y., Zhang, X. (2025). Prediction of Drought Thresholds Triggering Winter Wheat Yield Losses in the Future Based on the CNN-LSTM Model and Copula Theory: A Case Study of Henan Province. Agronomy, 15 (4), 954. https://doi.org/10.3390/agronomy15040954
- Rouse, J. W., Haas, R. H., Schell, J. A., Deering, D. W. (1974). Monitoring vegetation systems in the Great Plains with ERTS. NASA SP-351, 309–317. Available at: https://ntrs.nasa.gov/citations/19740022614
- Huete, A., Didan, K., Miura, T., Rodriguez, E. P., Gao, X., Ferreira, L. G. (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83 (1-2), 195–213. https://doi.org/10.1016/s0034-4257(02)00096-2
- Kussainov, T. A., Maitah, M., Kurmanov, N. A., Hájek, P., Tolysbaev, B. S., Baidakov, A. K. (2015). Economic Analysis of the Impact of Changing Production Conditions on Wheat Productivity Level. Review of European Studies, 7 (11). https://doi.org/10.5539/res.v7n11p125
- Kurmanov, N., Bakirbekova, A., Adiyetova, E., Satbayeva, A., Rakhimbekova, A., Nabiyeva, M. (2025). ICTs’ Impact on Energy Consumption and Economic Growth in the Countries of Central Asia: An Empirical Analysis. International Journal of Energy Economics and Policy, 15 (3), 8–16. https://doi.org/10.32479/ijeep.18779
- Kurmanov, N., Kabdullina, G., Baidakov, A., Kabdolla, A. (2025). Renewable Energy, Green Economic Growth and Food Security in Central Asian Countries: An Empirical Analysis. International Journal of Energy Economics and Policy, 15 (2), 1–8. https://doi.org/10.32479/ijeep.17922
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Nurlan Kurmanov, Zhaxat Kenzhin, Darkhan Baxultanov, Bolat Zhagalbayev, Dinara Mussabalina, Meruyert Zhagalbayeva, Galiya Amrenova
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
