Exploring the potential role of environmental and multi-source satellite data in crop yield prediction across Northeast China

Open AccessLe développement d'un système précis de prédiction du rendement des cultures à grande échelle est d'une importance primordiale pour la gestion des ressources agricoles et la sécurité alimentaire mondiale. L'observation de la Terre fournit une source unique d'informations pour surveiller les cultures à partir d'une diversité de gammes spectrales. Cependant, l'utilisation intégrée de ces données et de leurs valeurs dans la prédiction du rendement des cultures est encore peu étudiée. Ici, nous avons proposé la combinaison de données environnementales (climat, sol, géographie et topographie) avec de multiples données satellitaires (indices de végétation optiques, fluorescence induite par le soleil (SIF), température de surface du sol (LST) et profondeur optique de la végétation micro-ondes (VOD)) dans le cadre pour estimer le rendement des cultures de maïs, de riz et de soja dans le nord-est de la Chine, et leur valeur unique et leur influence relative sur la prédiction du rendement ont été évaluées. Deux méthodes de régression linéaire, trois méthodes d'apprentissage automatique (ML) et un modèle d'ensemble ML ont été adoptés pour construire des modèles de prédiction de rendement. Les résultats ont montré que les méthodes individuelles de ML surpassaient les méthodes de régression linéaire, le modèle d'ensemble de ML a encore amélioré les modèles de ML uniques. De plus, les modèles avec plus d'intrants ont obtenu de meilleures performances, la combinaison de données satellitaires avec des données environnementales, qui expliquaient respectivement 72 %, 69 % et 57 % de la variabilité du rendement du maïs, du riz et du soja, a démontré des performances de prédiction du rendement supérieures à celles des intrants individuels. Alors que les données satellitaires ont contribué à la prédiction du rendement des cultures principalement au début de la pointe de la saison de croissance, les données climatiques ont fourni des informations supplémentaires principalement à la pointe de la fin de la saison. Nous avons également constaté que l'utilisation combinée de l'IVE, du LST et du SIF a amélioré la précision du modèle par rapport au modèle d'IVE de référence. Cependant, les indices de végétation basés sur l'optique partageaient des informations similaires et ne fournissaient pas beaucoup d'informations supplémentaires au-delà de l'IVE. Les prévisions de rendement en cours de saison ont montré que les rendements des cultures peuvent être prévus de manière satisfaisante deux à trois mois avant la récolte. La géographie, la topographie, la VOD, l'IVE, les paramètres hydrauliques du sol et les paramètres nutritifs sont plus importants pour la prédiction du rendement des cultures.