使用集成的 Landsat 8 和 Sentinel

及时准确的冬小麦产量预测对于作物管理、粮食安全和农业可持续发展具有重要意义。不幸的是，利用卫星时间序列数据预测冬小麦产量的过程往往无法捕获有关作物生长过程的完整且关键的信息，这可能限制作物产量预测的准确性。为了克服这一挑战，有必要增加作物生长动态监测的频率，确定合适的植被指数（VI），并确定时间序列遥感数据的最佳预测模型。在本研究中，我们提出了一种利用综合 Landsat 8 (L8) 和 Sentinel-2 (S2) 植被指数时间序列数据和机器学习算法来预测冬小麦产量的新方法。首先，通过云掩蔽、重采样、重投影、BRDF校正和波段调整步骤获得L8和S2的集成数据集。然后，根据冬小麦生长特性与各VI时间序列特征曲线的关联，确定最优VI。随后，我们采用贝叶斯优化 CatBoost（BO-CatBoost）回归模型来预测冬小麦产量，并将该方法与其他三种数据驱动方法进行比较，包括最小绝对收缩和选择算子（LASSO）、支持向量回归（SVM）、和随机森林（RF）。结果表明，综合Landsat 8和Sentinel-2 WDRVI（宽动态范围植被指数）时间序列数据和BO-CatBoost模型，冬小麦产量预测精度达到了最佳性能。R 重投影、BRDF 校正和频带调整。然后，根据冬小麦生长特性与各VI时间序列特征曲线的关联，确定最优VI。随后，我们采用贝叶斯优化 CatBoost（BO-CatBoost）回归模型来预测冬小麦产量，并将该方法与其他三种数据驱动方法进行比较，包括最小绝对收缩和选择算子（LASSO）、支持向量回归（SVM）、和随机森林（RF）。结果表明，综合Landsat 8和Sentinel-2 WDRVI（宽动态范围植被指数）时间序列数据和BO-CatBoost模型，冬小麦产量预测精度达到了最佳性能。R 重投影、BRDF 校正和频带调整。然后，根据冬小麦生长特性与各VI时间序列特征曲线的关联，确定最优VI。随后，我们采用贝叶斯优化 CatBoost（BO-CatBoost）回归模型来预测冬小麦产量，并将该方法与其他三种数据驱动方法进行比较，包括最小绝对收缩和选择算子（LASSO）、支持向量回归（SVM）、和随机森林（RF）。结果表明，综合Landsat 8和Sentinel-2 WDRVI（宽动态范围植被指数）时间序列数据和BO-CatBoost模型，冬小麦产量预测精度达到了最佳性能。R 根据冬小麦生长特性与各VI时间序列特征曲线的关联，确定最优VI。随后，我们采用贝叶斯优化 CatBoost（BO-CatBoost）回归模型来预测冬小麦产量，并将该方法与其他三种数据驱动方法进行比较，包括最小绝对收缩和选择算子（LASSO）、支持向量回归（SVM）、和随机森林（RF）。结果表明，综合Landsat 8和Sentinel-2 WDRVI（宽动态范围植被指数）时间序列数据和BO-CatBoost模型，冬小麦产量预测精度达到了最佳性能。R 根据冬小麦生长特性与各VI时间序列特征曲线的关联，确定最优VI。随后，我们采用贝叶斯优化 CatBoost（BO-CatBoost）回归模型来预测冬小麦产量，并将该方法与其他三种数据驱动方法进行比较，包括最小绝对收缩和选择算子（LASSO）、支持向量回归（SVM）、和随机森林（RF）。结果表明，综合Landsat 8和Sentinel-2 WDRVI（宽动态范围植被指数）时间序列数据和BO-CatBoost模型，冬小麦产量预测精度达到了最佳性能。R 我们采用贝叶斯优化 CatBoost (BO-CatBoost) 回归模型来预测冬小麦产量，并将该方法与其他三种数据驱动方法进行比较，包括最小绝对收缩和选择算子 (LASSO)、支持向量回归 (SVM) 和随机森林（RF）。结果表明，综合Landsat 8和Sentinel-2 WDRVI（宽动态范围植被指数）时间序列数据和BO-CatBoost模型，冬小麦产量预测精度达到了最佳性能。R 我们采用贝叶斯优化 CatBoost (BO-CatBoost) 回归模型来预测冬小麦产量，并将该方法与其他三种数据驱动方法进行比较，包括最小绝对收缩和选择算子 (LASSO)、支持向量回归 (SVM) 和随机森林（RF）。结果表明，综合Landsat 8和Sentinel-2 WDRVI（宽动态范围植被指数）时间序列数据和BO-CatBoost模型，冬小麦产量预测精度达到了最佳性能。R 结果表明，综合Landsat 8和Sentinel-2 WDRVI（宽动态范围植被指数）时间序列数据和BO-CatBoost模型，冬小麦产量预测精度达到了最佳性能。R 结果表明，综合Landsat 8和Sentinel-2 WDRVI（宽动态范围植被指数）时间序列数据和BO-CatBoost模型，冬小麦产量预测精度达到了最佳性能。R22019年至2021年的平均值分别为0.70、0.63和0.68，RMSE值分别为0.62、0.73和0.62吨/公顷。此外，基于2019年和2020年历史数据训练的模型，2021年产量预测获得了可接受的精度。此外，本研究证明，使用所提出的方法可以提前约40天预测冬小麦产量。最后，结果表明，与 2019-2021 年单一 S2 数据集相比，统一数据的产量估算精度提高了 1.52、1.29 和 1.13 倍。各种实验表明，该方法可以有效估计和预测冬小麦产量数据，且具有良好的准确性和鲁棒性。

"点击查看英文标题和摘要"

Timely and accurate forecasting of winter wheat yield is important to crop management, food security, and sustainable agricultural development. Unfortunately, the process of predicting winter wheat yield using satellite time series data often fails to capture complete and critical information about the crop growth process, which can restrict the accuracy of crop yield predictions. To overcome this challenge, it is necessary to increase the frequency of monitoring crop growth dynamics, identify suitable vegetation index (VI), and determine the optimal prediction model for time-series remote sensing data. In this study, we propose proposes a novel method for predicting winter wheat yield using integrated Landsat 8 (L8) and Sentinel-2 (S2) vegetation index time-series data and machine learning algorithms. Firstly, the integrated L8 and S2 dataset was obtained through the steps of cloud masking, re-sampling, re-projection, BRDF correction, and band adjustment. Then, the optimal VI was determined based on the association between the growth characteristics of winter wheat and the time-series characteristic curves of each VI. Subsequently, we employed Bayesian optimized CatBoost (BO-CatBoost) regression model to predict winter wheat yield, and compared this method with three other data-driven methods, including least absolute shrinkage and selection operator (LASSO), support vector regression (SVM), and random forest (RF). Our results showed that the winter wheat yield prediction accuracies reached the best performance using integrated Landsat 8 and Sentinel-2 WDRVI (Wide Dynamic Range Vegetation Index) time-series data and BO-CatBoost model. The R2 values were 0.70, 0.63, and 0.68, and RMSE values were 0.62, 0.73, and 0.62 t/ha for the years 2019 to 2021, respectively. In addition, acceptable accuracy was obtained for yield prediction in 2021 based on the model trained with historical data from 2019 and 2020. Moreover, this study demonstrated the result that winter wheat yield could be predicted about 40 days earlier using the proposed method. Finally, results showed that the harmonized data improved the yield estimation accuracies by a factor of 1.52, 1.29, and 1.13 compared with single S2 dataset for years 2019–2021. Various experiments demonstrated that the proposed method could effectively estimate and predict winter wheat yield data with good accuracy and robustness. This study provides technical support for improving the accuracy of winter wheat yield prediction and has the potential to be extended to yield estimation for other crops.