+7 906 644 66 80 _____info@gisproxima.ru
Оставить заявку

Оценка эффективности спектральных индексов по гиперспектральным снимкам EnMAP для прогнозирования урожайности озимой пшеницы с применением машинного и глубокого обучения

Научный перевод-изложение с оригинальными иллюстрациями и переведёнными подписями
Mucsi L., Litkey-Kovács D., Bonus K., Farmonov N., Elgendy A., Aji L., Sóti M. Remote Sensing, 2025, 17(20), 3426. DOI: 10.3390/rs17203426. Оригинал: 24 страницы; настоящий документ — научное изложение, не построчный перевод.

Аннотация

Исследование оценивает возможности спутниковой гиперспектральной съёмки EnMAP для прогноза урожайности озимой пшеницы в Венгрии. Использованы сцены 23 февраля и 8 мая 2023 года, а также данные комбайнового картографирования урожайности на четырёх полях. На основании спектральных индексов построены регрессионные модели Random Forest (RF), Gradient Boosting (GB) и многослойного персептрона (MLP). Объединение двух сроков съёмки улучшило качество прогнозирования: для MLP достигнуты R² = 0,79 и MAE = 0,27 т/га. Показана высокая значимость индексов коротковолнового ИК-диапазона, особенно в ранние фазы вегетации. Перенос результатов на другие поля и годы требует самостоятельной проверки.

1. Научная постановка задачи

Урожайность формируется в ходе всего цикла развития растения, поэтому одиночный гиперспектральный снимок отражает только часть динамики фотосинтеза, водного режима, формирования листового аппарата и биомассы. Узкие спектральные полосы, характерные для EnMAP, позволяют рассчитывать индексы, связанные с содержанием хлорофилла, антоцианов, каротиноидов, влаги и сухого вещества. Авторы сравнивают одиночные съёмки и совместное использование двух фенологических стадий, а также возможности ансамблевых регрессоров и нейронной сети.

2. Район исследования и исходные данные

Четыре поля расположены в окрестностях Мезёхедьеша, медье Бекеш, юго-восток Венгрии (около 46°19′ с. ш., 20°49′ в. д.). В 2023 году на них выращивали озимую пшеницу сорта Avenue при технологии безотвальной обработки (no-tillage). Полевые обработки были в основном одинаковыми. По исходным сведениям, площади полей составляли 33,74; 115; 56,5 и 63 га, урожайности на уровне поля — 7,63; 5,97; 6,95 и 6,38 т/га соответственно. При подготовке модельного набора использовалась только внутренняя часть полей после отсечения приграничных пикселей.
Рисунок 1. Район исследования: (а) расположение Венгрии и исследуемых полей; (б) синтезированное изображение EnMAP в естественных цветах от 8 мая 2023 года.

2.1. Фенология и агроклиматические условия

Осенний сев 2022 года проходил при дефиците осадков (октябрь — 11,7 мм). В феврале 2023 года выпало 18,5 мм, в мае — 96,5 мм. Температура в феврале составляла примерно 2,84 °C, а в мае — 15,92 °C. Февральская съёмка соответствует завершению кущения и началу выхода в трубку (BBCH 29–31), майская — колошению и цветению (BBCH 51–69). Таким образом, две сцены описывают существенно разные состояния посева.
Рисунок 2. Изменение среднего NDVI на исследуемых участках с октября 2022 по май 2023 года по наблюдениям Sentinel-2.

2.2. Снимки EnMAP и подготовка урожайных данных

EnMAP регистрирует 224 спектральных канала в видимом, ближнем и коротковолновом инфракрасных диапазонах; пространственное разрешение составляет 30 м. В исследовании использованы атмосферно скорректированные сцены 23 февраля и 8 мая 2023 года, геометрически совмещённые между собой. Исходные измерения урожайности получены от комбайнов с системой точного земледелия; устранены выбросы, значения свыше 11 т/га отсечены, затем точки усреднены по ячейкам размером 30 × 30 м. В среднем одна ячейка содержала 68 измерений. После фильтрации диапазон наблюдаемой урожайности составлял 3,8–8,5 т/га.
Рисунок 3. Псевдоцветные композиты EnMAP от 23 февраля (а) и 8 мая (б) 2023 года: R = 832 нм, G = 660 нм, B = 560 нм.
Рисунок 4. Карта измеренной урожайности озимой пшеницы, агрегированной до пикселей EnMAP размером 30 м.

3. Спектральные различия высоко- и низкоурожайных участков

Для февральской и майской съёмок сопоставлены спектры пикселей с урожайностью менее 4 т/га и более 8 т/га. В феврале различия были особенно заметны в ближней инфракрасной области: более продуктивные участки отражали больше излучения в диапазоне порядка 700–1300 нм. В мае высокоурожайные посевы имели пониженную отражательную способность в красной части видимого диапазона и более высокую в NIR; различия в SWIR дополнительно отражали особенности водного режима и содержания сухого вещества. Это эмпирические признаки в исследуемых условиях, а не универсальные диагностические пороги.
Рисунок 5. Спектры отражения февральских пикселей EnMAP с высокой (более 8 т/га) и низкой (менее 4 т/га) урожайностью.
Рисунок 6. Спектры отражения майских пикселей EnMAP с высокой и низкой урожайностью.

4. Спектральные индексы и их интерпретация

Авторы рассчитали набор индексов в EnMAP-Box 3 в среде QGIS, охватывающий пигменты, состояние листового аппарата, водный режим и сухое вещество. Отбор признаков осуществлялся по их связи с измеренной урожайностью и вкладу в качество модели. Для февральской сцены в итоговом наборе оставлено шесть индексов, для майской — десять. Ниже формулы представлены в привычной спектроскопической нотации Rλ (коэффициент отражения на длине волны λ). В исходной таблице имеются спорные знаки и скобки; там, где запись вызывает вопросы, это специально отмечено.

Таблица 1. Индексы VIS/VNIR

Таблица 2. Индексы SWIR

Рисунок 7. Пространственное распределение индексов: gNDVI в феврале (а) и мае (б); GVMI в феврале (в) и мае (г); SWIRVI в феврале (д) и мае (е).

5. Регрессионные модели и проверка точности

В качестве прогнозирующих моделей использованы два ансамблевых метода на деревьях решений — случайный лес RF и градиентный бустинг GB — и нейросетевая модель MLP. Для контроля устойчивости авторы рассматривали два варианта случайного разбиения данных: 70%/30% и 50%/50% (обучение/валидация), каждый повторялся пять раз. Проверка проводилась на отложенных пикселях тех же исследуемых полей; это не эквивалент независимо подтверждённой точности на новых полях.

Таблица 3. Основные гиперпараметры моделей

Средняя абсолютная ошибка (MAE) = (1/n) × Σ|yi − ŷi|. Коэффициент детерминации R² = 1 − [Σ(yi − ŷi)² / Σ(yi − ȳ)²], где yi — наблюдаемая урожайность, ŷi — прогноз, ȳ — среднее наблюдений. Для RF/GB важность признаков определяли по снижению дисперсии, для MLP — перестановочным методом; результаты нормировали к 100%.

6. Информативность индексов на разных стадиях

Для февральских моделей на деревьях наиболее важными являлись ARI1 (23% RF; 22% GB), gNDVI (20% RF; 16% GB), но индексы SWIR вносили значимый дополнительный вклад. Февральская модель MLP в большей степени ориентировалась на NDWI (29%), MSI (22%) и SWIRVI (16%), что показывает важность водочувствительных каналов на раннем этапе.
Рисунок 8. Относительная важность спектральных индексов при прогнозе урожайности по февральской съёмке (RF, GB, MLP).
В мае RF и GB опирались на индексы хлорофилла и зелёной биомассы вместе с водными индексами: ARI1 достигал 17% для RF, gNDVI — 18% для GB. Для майского MLP особенно важными оказались MSI (43%) и TVI (23%). Это указывает на неодинаковое использование спектральных факторов разными архитектурами.
Рисунок 9. Относительная важность индексов для майских моделей RF, GB и MLP.
В многовременных моделях RF около 59% общей важности приходилось на майские признаки, а 41% — на февральские. Для GB соотношение составляло 57% и 43%. В MLP особенно важными были майский TVI (33,6%) и февральский MSI (24%). Следовательно, ранний SWIR дополнял информацию о сформированном к маю растительном покрове.
Рисунок 10. Значимость спектральных индексов при объединении данных февраля и мая 2023 года.

7. Точность прогнозирования урожайности

По результатам валидации, использование двух дат стабильно превосходило однодатные варианты. Для февральской съёмки наилучшие значения находились примерно на уровне R² = 0,62 и MAE = 0,34 т/га; майская съёмка улучшала результат до R² около 0,69 и MAE около 0,33 т/га. Многовременной MLP показал R² = 0,79 и MAE = 0,27 т/га, тогда как RF и GB достигли примерно R² = 0,74 и MAE = 0,29 т/га.
Рисунок 11. Сопоставление измеренной и прогнозируемой урожайности при 30%-ной валидационной выборке: RF, GB и MLP по февральским, майским и объединённым данным. Красная линия — 1:1, чёрная — линия регрессии.
Рисунок 12. Аналогичное сравнение при отложении 50% наблюдений на валидацию. Показаны три алгоритма и три варианта временного охвата.
При использовании 50%-ной валидационной выборки многовременной MLP сохранил показатели около R² = 0,79 и MAE = 0,27 т/га. При этом авторы отметили систематическое стягивание прогнозов к среднему: низкую урожайность модели склонны завышать, высокую — занижать.

8. Обсуждение и ограничения

Результаты подтверждают, что две фенологически различающиеся спутниковые съёмки дают более полную характеристику посевов по сравнению с одиночным моментом наблюдения. Существенную дополнительную информацию обеспечивают водочувствительные индексы SWIR, а взаимное значение признаков меняется в зависимости от срока съёмки и структуры модели. Это важно при проектировании регулярного гиперспектрального мониторинга на уровне хозяйств и территорий.
Ограничения принципиальны: исследование охватывает один сезон (2023), четыре поля в одном регионе и один сорт пшеницы (Avenue). Деление на обучающую и проверочную части выполнено внутри доступных данных; на независимых хозяйствах, сортах и следующих годах эффективность не доказана. Пространственная автокорреляция соседних пикселей также может влиять на оценку качества при случайном разбиении; это дополнительное методологическое замечание к интерпретации результата, а не заявленный авторами отдельный эксперимент.

9. Выводы

Исследование демонстрирует перспективность применения EnMAP и регрессионных моделей для пространственного прогнозирования урожайности озимой пшеницы. Лучший результат обеспечило объединение февральской и майской съёмок с MLP (R² = 0,79; MAE = 0,27 т/га). Наличие спектральных каналов SWIR особенно полезно при ранней оценке состояния посевов, а информация из разных фенологических стадий улучшает прогноз. Для практического масштабирования необходимы межгодовые испытания, независимая валидация на новых полях, проверка на других культурах и привлечение сведений о почвах и рельефе.

Библиографическая ссылка

Mucsi, L.; Litkey-Kovács, D.; Bonus, K.; Farmonov, N.; Elgendy, A.; Aji, L.; Sóti, M. Assessment of the Effectiveness of Spectral Indices Derived from EnMAP Hyperspectral Imageries Using Machine Learning and Deep Learning Models for Winter Wheat Yield Prediction. Remote Sensing 2025, 17, 3426. https://doi.org/10.3390/rs17203426.
Примечание редактора перевода: графики и схемы воспроизведены из оригинальной публикации в соответствии с лицензией CC BY 4.0. Подписи и сопровождающие пояснения переведены на русский язык. Сохранены авторские численные значения; подозрительные записи формул не исправлялись молча. Материал представляет научный перевод-изложение, не полный построчный перевод статьи и списка литературы.
03 ноября / 2026