OPENAIRE OpenAire Datacite Sygma ZENODO Crossref Europe PubMed Central European Union Open Data Portal Science of The Total Environment Open Access 2022-01-06 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. 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. إن تطوير نظام دقيق للتنبؤ بغلة المحاصيل على نطاق واسع له أهمية قصوى لإدارة الموارد الزراعية والأمن الغذائي العالمي. يوفر رصد الأرض مصدرًا فريدًا للمعلومات لرصد المحاصيل من مجموعة متنوعة من النطاقات الطيفية. ومع ذلك، لا يزال الاستخدام المتكامل لهذه البيانات وقيمها في التنبؤ بغلة المحاصيل غير مدروس. اقترحنا هنا الجمع بين البيانات البيئية (المناخ والتربة والجغرافيا والتضاريس) مع بيانات الأقمار الصناعية المتعددة (مؤشرات الغطاء النباتي القائمة على الضوء، والفلورة المستحثة بالطاقة الشمسية (SIF)، ودرجة حرارة سطح الأرض (LST)، والعمق البصري للغطاء النباتي بالموجات الدقيقة (VOD)) في الإطار لتقدير غلة محاصيل الذرة والأرز وفول الصويا في شمال شرق الصين، وتم تقييم قيمتها الفريدة وتأثيرها النسبي على التنبؤ بالغلة. تم اعتماد طريقتين للانحدار الخطي، وثلاث طرق للتعلم الآلي، ونموذج واحد لمجموعة التعلم الآلي لبناء نماذج التنبؤ بالعائد. أظهرت النتائج أن أساليب التعلم الآلي الفردية تفوقت على أساليب الانحدار الخطي، كما أدى نموذج مجموعة التعلم الآلي إلى تحسين نماذج التعلم الآلي الفردية. علاوة على ذلك، حققت النماذج التي تحتوي على المزيد من المدخلات أداءً أفضل، حيث أظهر الجمع بين بيانات الأقمار الصناعية والبيانات البيئية، والتي أوضحت 72 ٪ و 69 ٪ و 57 ٪ من تباين غلة الذرة والأرز وفول الصويا، على التوالي، أداءً أعلى للتنبؤ بالغلة من المدخلات الفردية. في حين ساهمت بيانات الأقمار الصناعية في التنبؤ بغلة المحاصيل بشكل رئيسي في الذروة المبكرة لموسم النمو، قدمت البيانات المناخية معلومات إضافية بشكل أساسي في موسم الذروة المتأخر. وجدنا أيضًا أن الاستخدام المشترك لمؤشر EVI و LST و SIF قد أدى إلى تحسين دقة النموذج مقارنةً بنموذج مؤشر EVI المعياري. ومع ذلك، شاركت مؤشرات الغطاء النباتي القائمة على البصريات معلومات مماثلة ولم توفر الكثير من المعلومات الإضافية بخلاف مؤشر الضعف الاقتصادي. أظهر التنبؤ بالعائد خلال الموسم أنه يمكن التنبؤ بغلة المحاصيل بشكل مرضٍ قبل شهرين إلى ثلاثة أشهر من الحصاد. الجغرافيا، التضاريس، الفيديو حسب الطلب، مؤشر الضعف الاقتصادي، المعلمات الهيدروليكية للتربة والمغذيات هي أكثر أهمية للتنبؤ بغلة المحاصيل. 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. إن تطوير نظام دقيق للتنبؤ بغلة المحاصيل على نطاق واسع له أهمية قصوى لإدارة الموارد الزراعية والأمن الغذائي العالمي. يوفر رصد الأرض مصدرًا فريدًا للمعلومات لرصد المحاصيل من مجموعة متنوعة من النطاقات الطيفية. ومع ذلك، لا يزال الاستخدام المتكامل لهذه البيانات وقيمها في التنبؤ بغلة المحاصيل غير مدروس. اقترحنا هنا الجمع بين البيانات البيئية (المناخ والتربة والجغرافيا والتضاريس) مع بيانات الأقمار الصناعية المتعددة (مؤشرات الغطاء النباتي القائمة على الضوء، والفلورة المستحثة بالطاقة الشمسية (SIF)، ودرجة حرارة سطح الأرض (LST)، والعمق البصري للغطاء النباتي بالموجات الدقيقة (VOD)) في الإطار لتقدير غلة محاصيل الذرة والأرز وفول الصويا في شمال شرق الصين، وتم تقييم قيمتها الفريدة وتأثيرها النسبي على التنبؤ بالغلة. تم اعتماد طريقتين للانحدار الخطي، وثلاث طرق للتعلم الآلي، ونموذج واحد لمجموعة التعلم الآلي لبناء نماذج التنبؤ بالعائد. أظهرت النتائج أن أساليب التعلم الآلي الفردية تفوقت على أساليب الانحدار الخطي، كما أدى نموذج مجموعة التعلم الآلي إلى تحسين نماذج التعلم الآلي الفردية. علاوة على ذلك، حققت النماذج التي تحتوي على المزيد من المدخلات أداءً أفضل، حيث أظهر الجمع بين بيانات الأقمار الصناعية والبيانات البيئية، والتي أوضحت 72 ٪ و 69 ٪ و 57 ٪ من تباين غلة الذرة والأرز وفول الصويا، على التوالي، أداءً أعلى للتنبؤ بالغلة من المدخلات الفردية. في حين ساهمت بيانات الأقمار الصناعية في التنبؤ بغلة المحاصيل بشكل رئيسي في الذروة المبكرة لموسم النمو، قدمت البيانات المناخية معلومات إضافية بشكل أساسي في موسم الذروة المتأخر. وجدنا أيضًا أن الاستخدام المشترك لمؤشر EVI و LST و SIF قد أدى إلى تحسين دقة النموذج مقارنةً بنموذج مؤشر EVI المعياري. ومع ذلك، شاركت مؤشرات الغطاء النباتي القائمة على البصريات معلومات مماثلة ولم توفر الكثير من المعلومات الإضافية بخلاف مؤشر الضعف الاقتصادي. أظهر التنبؤ بالعائد خلال الموسم أنه يمكن التنبؤ بغلة المحاصيل بشكل مرضٍ قبل شهرين إلى ثلاثة أشهر من الحصاد. الجغرافيا، التضاريس، الفيديو حسب الطلب، مؤشر الضعف الاقتصادي، المعلمات الهيدروليكية للتربة والمغذيات هي أكثر أهمية للتنبؤ بغلة المحاصيل. Developing an accurate crop yield predicting system at a large scale is of paramount importance for agricultural resource management and global food security. Earth observation provides a unique source of information to monitor crops from a diversity of spectral ranges. However, the integrated use of these data and their values in crop yield prediction is still understudied. Here we proposed the combination of environmental data (climate, soil, geography, and topography) with multiple satellite data (optical-based vegetation indices, solar-induced fluorescence (SIF), land surface temperature (LST), and microwave vegetation optical depth (VOD)) into the framework to estimate crop yield for maize, rice, and soybean in northeast China, and their unique value and relative influence on yield prediction was assessed. Two linear regression methods, three machine learning (ML) methods, and one ML ensemble model were adopted to build yield prediction models. Results showed that the individual ML methods outperformed the linear regression methods, the ML ensemble model further improved the single ML models. Moreover, models with more inputs achieved better performance, the combination of satellite data with environmental data, which explained 72%, 69%, and 57% of maize, rice, and soybean yield variability, respectively, demonstrated higher yield prediction performance than individual inputs. While satellite data contributed to crop yield prediction mainly at the early-peak of the growing season, climate data offered extra information mainly at the peak-late season. We also found that the combined use of EVI, LST and SIF has improved the model accuracy compared to the benchmark EVI model. However, the optical-based vegetation indices shared similar information and did not provide much extra information beyond EVI. The within-season yield forecasting showed that crop yields can be satisfactorily forecasted at two to three months prior to harvest. Geography, topography, VOD, EVI, soil hydraulic and nutrient parameters are more important for crop yield prediction. 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. إن تطوير نظام دقيق للتنبؤ بغلة المحاصيل على نطاق واسع له أهمية قصوى لإدارة الموارد الزراعية والأمن الغذائي العالمي. يوفر رصد الأرض مصدرًا فريدًا للمعلومات لرصد المحاصيل من مجموعة متنوعة من النطاقات الطيفية. ومع ذلك، لا يزال الاستخدام المتكامل لهذه البيانات وقيمها في التنبؤ بغلة المحاصيل غير مدروس. اقترحنا هنا الجمع بين البيانات البيئية (المناخ والتربة والجغرافيا والتضاريس) مع بيانات الأقمار الصناعية المتعددة (مؤشرات الغطاء النباتي القائمة على الضوء، والفلورة المستحثة بالطاقة الشمسية (SIF)، ودرجة حرارة سطح الأرض (LST)، والعمق البصري للغطاء النباتي بالموجات الدقيقة (VOD)) في الإطار لتقدير غلة محاصيل الذرة والأرز وفول الصويا في شمال شرق الصين، وتم تقييم قيمتها الفريدة وتأثيرها النسبي على التنبؤ بالغلة. تم اعتماد طريقتين للانحدار الخطي، وثلاث طرق للتعلم الآلي، ونموذج واحد لمجموعة التعلم الآلي لبناء نماذج التنبؤ بالعائد. أظهرت النتائج أن أساليب التعلم الآلي الفردية تفوقت على أساليب الانحدار الخطي، كما أدى نموذج مجموعة التعلم الآلي إلى تحسين نماذج التعلم الآلي الفردية. علاوة على ذلك، حققت النماذج التي تحتوي على المزيد من المدخلات أداءً أفضل، حيث أظهر الجمع بين بيانات الأقمار الصناعية والبيانات البيئية، والتي أوضحت 72 ٪ و 69 ٪ و 57 ٪ من تباين غلة الذرة والأرز وفول الصويا، على التوالي، أداءً أعلى للتنبؤ بالغلة من المدخلات الفردية. في حين ساهمت بيانات الأقمار الصناعية في التنبؤ بغلة المحاصيل بشكل رئيسي في الذروة المبكرة لموسم النمو، قدمت البيانات المناخية معلومات إضافية بشكل أساسي في موسم الذروة المتأخر. وجدنا أيضًا أن الاستخدام المشترك لمؤشر EVI و LST و SIF قد أدى إلى تحسين دقة النموذج مقارنةً بنموذج مؤشر EVI المعياري. ومع ذلك، شاركت مؤشرات الغطاء النباتي القائمة على البصريات معلومات مماثلة ولم توفر الكثير من المعلومات الإضافية بخلاف مؤشر الضعف الاقتصادي. أظهر التنبؤ بالعائد خلال الموسم أنه يمكن التنبؤ بغلة المحاصيل بشكل مرضٍ قبل شهرين إلى ثلاثة أشهر من الحصاد. الجغرافيا، التضاريس، الفيديو حسب الطلب، مؤشر الضعف الاقتصادي، المعلمات الهيدروليكية للتربة والمغذيات هي أكثر أهمية للتنبؤ بغلة المحاصيل. Developing an accurate crop yield predicting system at a large scale is of paramount importance for agricultural resource management and global food security. Earth observation provides a unique source of information to monitor crops from a diversity of spectral ranges. However, the integrated use of these data and their values in crop yield prediction is still understudied. Here we proposed the combination of environmental data (climate, soil, geography, and topography) with multiple satellite data (optical-based vegetation indices, solar-induced fluorescence (SIF), land surface temperature (LST), and microwave vegetation optical depth (VOD)) into the framework to estimate crop yield for maize, rice, and soybean in northeast China, and their unique value and relative influence on yield prediction was assessed. Two linear regression methods, three machine learning (ML) methods, and one ML ensemble model were adopted to build yield prediction models. Results showed that the individual ML methods outperformed the linear regression methods, the ML ensemble model further improved the single ML models. Moreover, models with more inputs achieved better performance, the combination of satellite data with environmental data, which explained 72%, 69%, and 57% of maize, rice, and soybean yield variability, respectively, demonstrated higher yield prediction performance than individual inputs. While satellite data contributed to crop yield prediction mainly at the early-peak of the growing season, climate data offered extra information mainly at the peak-late season. We also found that the combined use of EVI, LST and SIF has improved the model accuracy compared to the benchmark EVI model. However, the optical-based vegetation indices shared similar information and did not provide much extra information beyond EVI. The within-season yield forecasting showed that crop yields can be satisfactorily forecasted at two to three months prior to harvest. Geography, topography, VOD, EVI, soil hydraulic and nutrient parameters are more important for crop yield prediction. Desarrollar un sistema preciso de predicción del rendimiento de los cultivos a gran escala es de suma importancia para la gestión de los recursos agrícolas y la seguridad alimentaria mundial. La observación de la Tierra proporciona una fuente única de información para monitorear los cultivos desde una diversidad de rangos espectrales. Sin embargo, el uso integrado de estos datos y sus valores en la predicción del rendimiento de los cultivos aún no se ha estudiado lo suficiente. Aquí propusimos la combinación de datos ambientales (clima, suelo, geografía y topografía) con múltiples datos satelitales (índices de vegetación basados en la óptica, fluorescencia inducida por el sol (SIF), temperatura de la superficie terrestre (LST) y profundidad óptica de la vegetación de microondas (VOD)) en el marco para estimar el rendimiento de los cultivos de maíz, arroz y soja en el noreste de China, y se evaluó su valor único y su influencia relativa en la predicción del rendimiento. Se adoptaron dos métodos de regresión lineal, tres métodos de aprendizaje automático (ML) y un modelo de conjunto de ML para construir modelos de predicción de rendimiento. Los resultados mostraron que los métodos de ML individuales superaron a los métodos de regresión lineal, el modelo de conjunto de ML mejoró aún más los modelos de ML individuales. Además, los modelos con más insumos lograron un mejor rendimiento, la combinación de datos satelitales con datos ambientales, que explicaron el 72%, 69% y 57% de la variabilidad de rendimiento de maíz, arroz y soja, respectivamente, demostró un mayor rendimiento de predicción de rendimiento que los insumos individuales. Si bien los datos satelitales contribuyeron a la predicción del rendimiento de los cultivos principalmente en el pico temprano de la temporada de crecimiento, los datos climáticos ofrecieron información adicional principalmente en la temporada pico-tardía. También encontramos que el uso combinado de EVI, LST y SIF ha mejorado la precisión del modelo en comparación con el modelo EVI de referencia. Sin embargo, los índices de vegetación basados en la óptica compartieron información similar y no proporcionaron mucha información adicional más allá de EVI. El pronóstico de rendimiento dentro de la temporada mostró que los rendimientos de los cultivos se pueden pronosticar satisfactoriamente dos o tres meses antes de la cosecha. Los parámetros de geografía, topografía, VOD, EVI, hidráulicos del suelo y de nutrientes son más importantes para la predicción del rendimiento de los cultivos. Atmospheric sciences Climate Multi-source satellite data Normalized Difference Vegetation Index Engineering Pathology Climate change Urban Heat Islands and Mitigation Strategies Linear regression 2. Zero hunger Global and Planetary Change Vegetation Monitoring Ecology Geography Statistics Agriculture Geology Remote Sensing in Vegetation Monitoring and Phenology 04 agricultural and veterinary sciences Remote sensing Aerospace engineering Archaeology Physical Sciences Metallurgy Medicine Seasons Global Vegetation Models Biomass Estimation Regression analysis Vegetation (pathology) Crops, Agricultural Environmental Engineering Environmental data Yield (engineering) Zea mays Environmental science Machine learning FOS: Mathematics Crop yield Biology Global Forest Drought Response and Climate Change FOS: Environmental engineering Predictive modelling Food security FOS: Earth and related environmental sciences 15. Life on land Agronomy Materials science Yield prediction Satellite 13. Climate action FOS: Biological sciences Environmental Science Growing season 0401 agriculture, forestry, and fisheries Mathematics Zhenwang Li, Lei Ding, Donghui Xu, 2022-04-01 journalpaper 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. 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. إن تطوير نظام دقيق للتنبؤ بغلة المحاصيل على نطاق واسع له أهمية قصوى لإدارة الموارد الزراعية والأمن الغذائي العالمي. يوفر رصد الأرض مصدرًا فريدًا للمعلومات لرصد المحاصيل من مجموعة متنوعة من النطاقات الطيفية. ومع ذلك، لا يزال الاستخدام المتكامل لهذه البيانات وقيمها في التنبؤ بغلة المحاصيل غير مدروس. اقترحنا هنا الجمع بين البيانات البيئية (المناخ والتربة والجغرافيا والتضاريس) مع بيانات الأقمار الصناعية المتعددة (مؤشرات الغطاء النباتي القائمة على الضوء، والفلورة المستحثة بالطاقة الشمسية (SIF)، ودرجة حرارة سطح الأرض (LST)، والعمق البصري للغطاء النباتي بالموجات الدقيقة (VOD)) في الإطار لتقدير غلة محاصيل الذرة والأرز وفول الصويا في شمال شرق الصين، وتم تقييم قيمتها الفريدة وتأثيرها النسبي على التنبؤ بالغلة. تم اعتماد طريقتين للانحدار الخطي، وثلاث طرق للتعلم الآلي، ونموذج واحد لمجموعة التعلم الآلي لبناء نماذج التنبؤ بالعائد. أظهرت النتائج أن أساليب التعلم الآلي الفردية تفوقت على أساليب الانحدار الخطي، كما أدى نموذج مجموعة التعلم الآلي إلى تحسين نماذج التعلم الآلي الفردية. علاوة على ذلك، حققت النماذج التي تحتوي على المزيد من المدخلات أداءً أفضل، حيث أظهر الجمع بين بيانات الأقمار الصناعية والبيانات البيئية، والتي أوضحت 72 ٪ و 69 ٪ و 57 ٪ من تباين غلة الذرة والأرز وفول الصويا، على التوالي، أداءً أعلى للتنبؤ بالغلة من المدخلات الفردية. في حين ساهمت بيانات الأقمار الصناعية في التنبؤ بغلة المحاصيل بشكل رئيسي في الذروة المبكرة لموسم النمو، قدمت البيانات المناخية معلومات إضافية بشكل أساسي في موسم الذروة المتأخر. وجدنا أيضًا أن الاستخدام المشترك لمؤشر EVI و LST و SIF قد أدى إلى تحسين دقة النموذج مقارنةً بنموذج مؤشر EVI المعياري. ومع ذلك، شاركت مؤشرات الغطاء النباتي القائمة على البصريات معلومات مماثلة ولم توفر الكثير من المعلومات الإضافية بخلاف مؤشر الضعف الاقتصادي. أظهر التنبؤ بالعائد خلال الموسم أنه يمكن التنبؤ بغلة المحاصيل بشكل مرضٍ قبل شهرين إلى ثلاثة أشهر من الحصاد. الجغرافيا، التضاريس، الفيديو حسب الطلب، مؤشر الضعف الاقتصادي، المعلمات الهيدروليكية للتربة والمغذيات هي أكثر أهمية للتنبؤ بغلة المحاصيل. 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. إن تطوير نظام دقيق للتنبؤ بغلة المحاصيل على نطاق واسع له أهمية قصوى لإدارة الموارد الزراعية والأمن الغذائي العالمي. يوفر رصد الأرض مصدرًا فريدًا للمعلومات لرصد المحاصيل من مجموعة متنوعة من النطاقات الطيفية. ومع ذلك، لا يزال الاستخدام المتكامل لهذه البيانات وقيمها في التنبؤ بغلة المحاصيل غير مدروس. اقترحنا هنا الجمع بين البيانات البيئية (المناخ والتربة والجغرافيا والتضاريس) مع بيانات الأقمار الصناعية المتعددة (مؤشرات الغطاء النباتي القائمة على الضوء، والفلورة المستحثة بالطاقة الشمسية (SIF)، ودرجة حرارة سطح الأرض (LST)، والعمق البصري للغطاء النباتي بالموجات الدقيقة (VOD)) في الإطار لتقدير غلة محاصيل الذرة والأرز وفول الصويا في شمال شرق الصين، وتم تقييم قيمتها الفريدة وتأثيرها النسبي على التنبؤ بالغلة. تم اعتماد طريقتين للانحدار الخطي، وثلاث طرق للتعلم الآلي، ونموذج واحد لمجموعة التعلم الآلي لبناء نماذج التنبؤ بالعائد. أظهرت النتائج أن أساليب التعلم الآلي الفردية تفوقت على أساليب الانحدار الخطي، كما أدى نموذج مجموعة التعلم الآلي إلى تحسين نماذج التعلم الآلي الفردية. علاوة على ذلك، حققت النماذج التي تحتوي على المزيد من المدخلات أداءً أفضل، حيث أظهر الجمع بين بيانات الأقمار الصناعية والبيانات البيئية، والتي أوضحت 72 ٪ و 69 ٪ و 57 ٪ من تباين غلة الذرة والأرز وفول الصويا، على التوالي، أداءً أعلى للتنبؤ بالغلة من المدخلات الفردية. في حين ساهمت بيانات الأقمار الصناعية في التنبؤ بغلة المحاصيل بشكل رئيسي في الذروة المبكرة لموسم النمو، قدمت البيانات المناخية معلومات إضافية بشكل أساسي في موسم الذروة المتأخر. وجدنا أيضًا أن الاستخدام المشترك لمؤشر EVI و LST و SIF قد أدى إلى تحسين دقة النموذج مقارنةً بنموذج مؤشر EVI المعياري. ومع ذلك، شاركت مؤشرات الغطاء النباتي القائمة على البصريات معلومات مماثلة ولم توفر الكثير من المعلومات الإضافية بخلاف مؤشر الضعف الاقتصادي. أظهر التنبؤ بالعائد خلال الموسم أنه يمكن التنبؤ بغلة المحاصيل بشكل مرضٍ قبل شهرين إلى ثلاثة أشهر من الحصاد. الجغرافيا، التضاريس، الفيديو حسب الطلب، مؤشر الضعف الاقتصادي، المعلمات الهيدروليكية للتربة والمغذيات هي أكثر أهمية للتنبؤ بغلة المحاصيل. Developing an accurate crop yield predicting system at a large scale is of paramount importance for agricultural resource management and global food security. Earth observation provides a unique source of information to monitor crops from a diversity of spectral ranges. However, the integrated use of these data and their values in crop yield prediction is still understudied. Here we proposed the combination of environmental data (climate, soil, geography, and topography) with multiple satellite data (optical-based vegetation indices, solar-induced fluorescence (SIF), land surface temperature (LST), and microwave vegetation optical depth (VOD)) into the framework to estimate crop yield for maize, rice, and soybean in northeast China, and their unique value and relative influence on yield prediction was assessed. Two linear regression methods, three machine learning (ML) methods, and one ML ensemble model were adopted to build yield prediction models. Results showed that the individual ML methods outperformed the linear regression methods, the ML ensemble model further improved the single ML models. Moreover, models with more inputs achieved better performance, the combination of satellite data with environmental data, which explained 72%, 69%, and 57% of maize, rice, and soybean yield variability, respectively, demonstrated higher yield prediction performance than individual inputs. While satellite data contributed to crop yield prediction mainly at the early-peak of the growing season, climate data offered extra information mainly at the peak-late season. We also found that the combined use of EVI, LST and SIF has improved the model accuracy compared to the benchmark EVI model. However, the optical-based vegetation indices shared similar information and did not provide much extra information beyond EVI. The within-season yield forecasting showed that crop yields can be satisfactorily forecasted at two to three months prior to harvest. Geography, topography, VOD, EVI, soil hydraulic and nutrient parameters are more important for crop yield prediction. 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. إن تطوير نظام دقيق للتنبؤ بغلة المحاصيل على نطاق واسع له أهمية قصوى لإدارة الموارد الزراعية والأمن الغذائي العالمي. يوفر رصد الأرض مصدرًا فريدًا للمعلومات لرصد المحاصيل من مجموعة متنوعة من النطاقات الطيفية. ومع ذلك، لا يزال الاستخدام المتكامل لهذه البيانات وقيمها في التنبؤ بغلة المحاصيل غير مدروس. اقترحنا هنا الجمع بين البيانات البيئية (المناخ والتربة والجغرافيا والتضاريس) مع بيانات الأقمار الصناعية المتعددة (مؤشرات الغطاء النباتي القائمة على الضوء، والفلورة المستحثة بالطاقة الشمسية (SIF)، ودرجة حرارة سطح الأرض (LST)، والعمق البصري للغطاء النباتي بالموجات الدقيقة (VOD)) في الإطار لتقدير غلة محاصيل الذرة والأرز وفول الصويا في شمال شرق الصين، وتم تقييم قيمتها الفريدة وتأثيرها النسبي على التنبؤ بالغلة. تم اعتماد طريقتين للانحدار الخطي، وثلاث طرق للتعلم الآلي، ونموذج واحد لمجموعة التعلم الآلي لبناء نماذج التنبؤ بالعائد. أظهرت النتائج أن أساليب التعلم الآلي الفردية تفوقت على أساليب الانحدار الخطي، كما أدى نموذج مجموعة التعلم الآلي إلى تحسين نماذج التعلم الآلي الفردية. علاوة على ذلك، حققت النماذج التي تحتوي على المزيد من المدخلات أداءً أفضل، حيث أظهر الجمع بين بيانات الأقمار الصناعية والبيانات البيئية، والتي أوضحت 72 ٪ و 69 ٪ و 57 ٪ من تباين غلة الذرة والأرز وفول الصويا، على التوالي، أداءً أعلى للتنبؤ بالغلة من المدخلات الفردية. في حين ساهمت بيانات الأقمار الصناعية في التنبؤ بغلة المحاصيل بشكل رئيسي في الذروة المبكرة لموسم النمو، قدمت البيانات المناخية معلومات إضافية بشكل أساسي في موسم الذروة المتأخر. وجدنا أيضًا أن الاستخدام المشترك لمؤشر EVI و LST و SIF قد أدى إلى تحسين دقة النموذج مقارنةً بنموذج مؤشر EVI المعياري. ومع ذلك، شاركت مؤشرات الغطاء النباتي القائمة على البصريات معلومات مماثلة ولم توفر الكثير من المعلومات الإضافية بخلاف مؤشر الضعف الاقتصادي. أظهر التنبؤ بالعائد خلال الموسم أنه يمكن التنبؤ بغلة المحاصيل بشكل مرضٍ قبل شهرين إلى ثلاثة أشهر من الحصاد. الجغرافيا، التضاريس، الفيديو حسب الطلب، مؤشر الضعف الاقتصادي، المعلمات الهيدروليكية للتربة والمغذيات هي أكثر أهمية للتنبؤ بغلة المحاصيل. Developing an accurate crop yield predicting system at a large scale is of paramount importance for agricultural resource management and global food security. Earth observation provides a unique source of information to monitor crops from a diversity of spectral ranges. However, the integrated use of these data and their values in crop yield prediction is still understudied. Here we proposed the combination of environmental data (climate, soil, geography, and topography) with multiple satellite data (optical-based vegetation indices, solar-induced fluorescence (SIF), land surface temperature (LST), and microwave vegetation optical depth (VOD)) into the framework to estimate crop yield for maize, rice, and soybean in northeast China, and their unique value and relative influence on yield prediction was assessed. Two linear regression methods, three machine learning (ML) methods, and one ML ensemble model were adopted to build yield prediction models. Results showed that the individual ML methods outperformed the linear regression methods, the ML ensemble model further improved the single ML models. Moreover, models with more inputs achieved better performance, the combination of satellite data with environmental data, which explained 72%, 69%, and 57% of maize, rice, and soybean yield variability, respectively, demonstrated higher yield prediction performance than individual inputs. While satellite data contributed to crop yield prediction mainly at the early-peak of the growing season, climate data offered extra information mainly at the peak-late season. We also found that the combined use of EVI, LST and SIF has improved the model accuracy compared to the benchmark EVI model. However, the optical-based vegetation indices shared similar information and did not provide much extra information beyond EVI. The within-season yield forecasting showed that crop yields can be satisfactorily forecasted at two to three months prior to harvest. Geography, topography, VOD, EVI, soil hydraulic and nutrient parameters are more important for crop yield prediction. Desarrollar un sistema preciso de predicción del rendimiento de los cultivos a gran escala es de suma importancia para la gestión de los recursos agrícolas y la seguridad alimentaria mundial. La observación de la Tierra proporciona una fuente única de información para monitorear los cultivos desde una diversidad de rangos espectrales. Sin embargo, el uso integrado de estos datos y sus valores en la predicción del rendimiento de los cultivos aún no se ha estudiado lo suficiente. Aquí propusimos la combinación de datos ambientales (clima, suelo, geografía y topografía) con múltiples datos satelitales (índices de vegetación basados en la óptica, fluorescencia inducida por el sol (SIF), temperatura de la superficie terrestre (LST) y profundidad óptica de la vegetación de microondas (VOD)) en el marco para estimar el rendimiento de los cultivos de maíz, arroz y soja en el noreste de China, y se evaluó su valor único y su influencia relativa en la predicción del rendimiento. Se adoptaron dos métodos de regresión lineal, tres métodos de aprendizaje automático (ML) y un modelo de conjunto de ML para construir modelos de predicción de rendimiento. Los resultados mostraron que los métodos de ML individuales superaron a los métodos de regresión lineal, el modelo de conjunto de ML mejoró aún más los modelos de ML individuales. Además, los modelos con más insumos lograron un mejor rendimiento, la combinación de datos satelitales con datos ambientales, que explicaron el 72%, 69% y 57% de la variabilidad de rendimiento de maíz, arroz y soja, respectivamente, demostró un mayor rendimiento de predicción de rendimiento que los insumos individuales. Si bien los datos satelitales contribuyeron a la predicción del rendimiento de los cultivos principalmente en el pico temprano de la temporada de crecimiento, los datos climáticos ofrecieron información adicional principalmente en la temporada pico-tardía. También encontramos que el uso combinado de EVI, LST y SIF ha mejorado la precisión del modelo en comparación con el modelo EVI de referencia. Sin embargo, los índices de vegetación basados en la óptica compartieron información similar y no proporcionaron mucha información adicional más allá de EVI. El pronóstico de rendimiento dentro de la temporada mostró que los rendimientos de los cultivos se pueden pronosticar satisfactoriamente dos o tres meses antes de la cosecha. Los parámetros de geografía, topografía, VOD, EVI, hidráulicos del suelo y de nutrientes son más importantes para la predicción del rendimiento de los cultivos. Exploring the potential role of environmental and multi-source satellite data in crop yield prediction across Northeast China 10.1016/j.scitotenv.2021.152880 https://doi.org/10.1016/j.scitotenv.2021.152880 818346