Прогноз урожайности пшеницы с использованием интегрированных оптических и радиолокационных данных дистанционного зондирования и методов машинного обучения на ключевых фенологических стадиях

Почему это важно для нашего продовольственного будущего

Накормить растущее население в условиях потепления и дефицита воды невозможно без прогнозов того, сколько зерна соберут фермеры задолго до выхода комбайнов в поля. В этом исследовании показано, как учёные могут оценивать урожайность пшеницы в засушливом районе Ирана с помощью спутников и искусственного интеллекта, предоставляя надёжные прогнозы примерно за 50 дней до уборки — достаточно рано, чтобы корректировать использование воды, удобрений, торговые решения и меры по предотвращению дефицита.

Засушливая равнина под давлением

Работа сосредоточена на равнине Казвин — крупной зоне выращивания пшеницы на севере Ирана, которая одновременно высокопродуктивна и хронически испытывает нехватку воды. Осадков мало и они непостоянны, температуры высоки, а фермеры сильно зависят от ограниченных запасов подземных вод и стока с гор. В таких засушливых ландшафтах полагаться на опыт прошлого или простую статистику погоды рискованно. Традиционные модели урожая требуют детальных данных о почвах, хозяйственной практике и климате, которые часто недоступны. Авторы же обратились к тому, чего много: спутниковым снимкам, фиксирующим, насколько светлыми и зелёными выглядят поля по неделям в больших масштабах.

Оценка состояния посевов из космоса

Команда объединила оптические изображения спутников Sentinel‑2 с радиолокационными данными Sentinel‑1. Оптические датчики работают как очень чёткие цифровые камеры, фиксируя отражённый солнечный свет в нескольких диапазонах — от синего до ближнего инфракрасного. По этим спектральным каналам они вычислили 16 показателей, связанных с «зелёностью» и влажностью, которые отражают плотность, облиственность и степень водного стресса полога пшеницы. Особое внимание уделили двум ключевым моментам роста: фазе кущения в середине апреля, когда растения формируют побеги и закладывают потенциал урожая, и фазе цветения/колошения в середине мая, когда посев достигает пика зелёности и готовится заполнять зерно.

Радиолокация там, где света недостаточно

Радар Sentinel‑1 даёт иной тип зрения. В отличие от оптики, он не зависит от солнечного освещения: посылает микроволновые импульсы и измеряет их эхо, на которое влияют структура растений и влажность как растительности, так и почвы. Это особенно полезно в запылённых, облачных или разреженно покрытых растительностью районах, где оптические сигналы могут смешиваться с отражением от голой почвы и атмосферой. Исследователи вывели простые радиолокационные индикаторы из двух поляризационных каналов и затем скомбинировали их с оптическими индексами и базовой информацией о рельефе — высотой, уклоном и ориентацией полей.

Обучение машин распознавать закономерности урожайности

Имея спутниковые переменные для 189 хорошо измеренных полей пшеницы, авторы обучили три типа моделей для прогнозирования урожая: стандартную линейную регрессию, машину опорных векторов, способную улавливать нелинейные связи, и случайный лес, объединяющий множество решающих деревьев. Данные разделили так, что 70% использовали для обучения моделей и 30% — для проверки их точности. Во всех случаях информация со стадии цветения оказалась более информативной, чем со стадии кущения. Модель случайного леса, использующая только данные Sentinel‑2 и характеристики рельефа на стадии цветения, показала наилучший результат — она объясняла примерно 90% вариации урожайности в тестовых полях и в среднем ошибалась лишь около трети тонны на гектар.

Что сыграло наибольшую роль

Исследование, анализируя, на какие входные переменные случайный лес опирался сильнее всего, показало, что наибольший вклад в предсказание вносили индексы, отражающие плотность полога, вегетационную активность и водный статус. Показатели, близкие к классическим индексам зелёности, и индексы чувствительности к влаге оказались ведущими, в то время как сырые спектральные каналы и переменные рельефа добавляли относительно мало. При добавлении радиолокационных индикаторов модель несколько лучше подгонялась к тренировочным данным — что намекает на то, что радар действительно фиксирует полезную дополнительную информацию о влажности и структуре — но ошибки на тестовой выборке выросли. Такая картина указывает на небольшую склонность к переобучению, когда модель учит шум, специфичный для обучающей выборки, а не общие закономерности. Тем не менее объединение всех входных данных позволило исследователям создать детализированную карту урожайности всей равнины, выявив резкие контрасты между участками с низким и высоким урожаем.

Что это значит для фермеров и планировщиков

Проще говоря, исследование демонстрирует, что тщательно обработанные оптические спутниковые снимки в сочетании с современным методом машинного обучения способны давать точные прогнозы урожайности пшеницы на уровне полей в суровой, водоограниченной среде. Радар добавляет потенциально ценную информацию, но в данном случае не превзошёл более простую схему только на основе оптики. Получаемые в начале сезона карты могут помочь направлять дефицитные ирригационные ресурсы и удобрения туда, где они наиболее нужны, выявлять уязвимые участки до наступления серьёзных потерь и информировать региональное планирование продовольственных поставок. Хотя работа сосредоточена на одной равнине в Иране и одном сезоне, подход представляет собой шаблон для применения космического мониторинга и искусственного интеллекта в целях укрепления продовольственной безопасности в засушливых регионах по всему миру.

Цитирование: Navidi, M.N., Fazli, E., Kharazmi, R. et al. Wheat yield prediction using integrated optical and radar remote sensing with machine learning across key phenological stages. Sci Rep 16, 10470 (2026). https://doi.org/10.1038/s41598-026-41501-7

Ключевые слова: прогноз урожайности пшеницы, дистанционное зондирование, спутниковое сельское хозяйство, машинное обучение, засушливые регионы