Современные проблемы дистанционного зондирования Земли из космоса. 2026. Т. 23. № 4. С. 282-292
Предсказание обеспеченности посевов пшеницы макро- и микроэлементами по мульти- и гиперспектральным данным дистанционного зондирования с применением методов машинного обучения и пространственной кросс-валидации
А.А. Струев 1 , Е.П. Митрофанов 1 , В.П. Якушев 1 , В.М. Буре 1, 2 , О.А. Митрофанова 1 1 Санкт-Петербургский государственный университет, Санкт-Петербург, Россия
2 Агрофизический научно-исследовательский институт, Санкт-Петербург, Россия
Одобрена к печати: 16.07.2026
DOI: 10.21046/2070-7401-2026-23-4-282-292
Традиционные методы диагностики обеспеченности растений макро- и микроэлементами трудоёмки, дороги и не позволяют получать непрерывные пространственные карты. Развитие технологий дистанционного зондирования открывает новые возможности для оперативного мониторинга посевов, однако для многих элементов, не имеющих характерных полос поглощения в видимом и ближнем инфракрасном диапазоне, задача остаётся нерешённой. Кроме того, многие существующие работы используют случайную кросс-валидацию, игнорируя пространственную автокорреляцию, что приводит к завышению точности моделей. В работе разработан и валидирован воспроизводимый подход на основе машинного обучения для предсказания концентрации 12 макро- и микроэлементов в надземной биомассе яровой пшеницы по мультиспектральным (5 каналов) и гиперспектральным (300 каналов, 390–1031 нм) данным. Построен набор признаков, включающий 44 широкополосных вегетационных индекса, оконные статистики и текстурные дескрипторы, характеризующие пространственную неоднородность полога. Для оценки моделей применена буферизованная кросс-валидация LOO (англ. leave-one-out), учитывающая индивидуальные радиусы пространственной автокорреляции. Использован отбор признаков mRMR (англ. Minimum Redundancy Maximum Relevance), байесовская оптимизация гиперпараметров и ансамблевые методы машинного обучения. Установлено, что при корректной пространственной валидации все 12 нутриентов мультиспектрального пайплайна имеют положительный коэффициент детерминации R2 в диапазоне 0,11–0,46. Выявлено физическое разделение источников сигнала: для макроэлементов (N, S, Ca) ведущую роль играют вегетационные индексы (50–55 % важности), тогда как для микроэлементов и кобальта доминируют текстурные признаки (62–100 %). Сравнение с гиперспектром показало, что, несмотря на наличие 53–80 % предсказательной информации вне мультиспектрального диапазона, при равной выборке мультиспектр с текстурным каналом превосходит гиперспектр без текстур для 11 из 12 элементов, особенно для кобальта и нитратов. Случайная кросс-валидация завышает R2 в среднем на 0,13, что подтверждает необходимость пространственно корректной оценки. Разработанный подход перспективен по построению карт распределения нутриентов (особенно по азоту, фосфору, калию), пригодных для дифференцированного внесения удобрений, а также для создания в дальнейшем гиперспектральных ортомозаик, интеграции текстур с гиперспектральными спектрами, кросс-полевой валидации и использования SWIR-диапазона для микроэлементов.
Ключевые слова: дистанционное зондирование, мультиспектральная съёмка, гиперспектральная съёмка, вегетационные индексы, текстурные признаки, машинное обучение, пространственная кросс-валидация, микроэлементы, яровая пшеница, точное земледелие
Полный текстСписок литературы:
- Митрофанова О. А., Митрофанов Е. П., Блеканов И. С., Молин А. Е. Специализированный датасет мультиспектральных аэрофотоснимков для решения задач точного земледелия с применением методов искусственного интеллекта // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 6. С. 67–79. https://doi.org/10.21046/2070-7401-2023-20-6-67-79.
- Митрофанова О. А., Митрофанов Е. П., Буре В. М. Анализ гиперспектральных данных дистанционного зондирования и урожайности пшеницы для задачи прогнозирования // Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 1. С. 93–105. https://doi.org/10.21046/2070-7401-2025-22-1-93-105.
- Adão T., Hruška J., Pádua L. et al. Hyperspectral imaging: A review on UAV-based sensors, data processing and applications for agriculture and forestry // Remote Sensing. 2017. V. 9. No. 11. Article 1110. https://doi.org/10.3390/rs9111110.
- Berger K., Verrelst J., Féret J.-B. et al. Crop nitrogen monitoring: Recent progress and principal developments in the context of imaging spectroscopy missions // Remote Sensing of Environment. 2020. V. 242. Article 111758. https://doi.org/10.1016/j.rse.2020.111758.
- Chancia R., Bates T., Heuvel J. V., Aardt J. Assessing grapevine nutrient status from unmanned aerial system (UAS) hyperspectral imagery // Remote Sensing. 2021. V. 13. No. 21. Article 4489. https://doi.org/10.3390/rs13214489.
- Friedman J., Hastie T., Tibshirani R. Sparse inverse covariance estimation with the graphical lasso // Biostatistics. 2008. V. 9. No. 3. P. 432–441. https://doi.org/10.1093/biostatistics/kxm045.
- Gill A. K., Gaur S., Sneller C., Drewry D. T. Utilizing VSWIR spectroscopy for macronutrient and micronutrient profiling in winter wheat // Frontiers in Plant Science. 2024. V. 15. Article 1426077. https://doi.org/10.3389/fpls.2024.1426077.
- Gitelson A., Merzlyak M. N. Quantitative estimation of chlorophyll-a using reflectance spectra // J. Photochemistry and Photobiology B: Biology. 1994. V. 22. No. 3. P. 247–252. https://doi.org/10.1016/1011-1344(93)06963-4.
- Hengl T., Nussbaum M., Wright M. N. et al. Random Forest as a generic framework for predictive modeling of spatial and spatio-temporal variables // PeerJ. 2018. V. 6. Article e26693v3. https://doi.org/10.7287/peerj.preprints.26693v3.
- Li Z., Zhou X., Cheng Q. et al. A machine-learning model based on the fusion of spectral and textural features from UAV multi-sensors to analyse the total nitrogen content in winter wheat // Remote Sensing. 2023. V. 15. No. 8. Article 2152. https://doi.org/10.3390/rs15082152.
- Maes W. H., Steppe K. Perspectives for remote sensing with unmanned aerial vehicles in precision agriculture // Trends in Plant Science. 2019. V. 24. No. 2. P. 152–164. https://doi.org/10.1016/j.tplants.2018.11.007.
- Mashori A. S., Li F., Aman M. et al. Remote sensing through UAVs for precision agriculture: Applications, technical foundations, current barriers, and future opportunities // Smart Agricultural Technology. 2026. V. 14. Article 102074. https://doi.org/10.1016/j.atech.2026.102074.
- Ploton P., Mortier F., Réjou-Méchain M. et al. Spatial validation reveals poor predictive performance of large-scale ecological mapping models // Nature Communications. 2020. V. 11. Article 4540. https://doi.org/10.1038/s41467-020-18321-y.
- Roberts D. R., Bahn V., Ciuti S. et al. Cross-validation strategies for data with temporal, spatial, hierarchical, or phylogenetic structure // Ecography. 2017. V. 40. No. 8. P. 913–929. https://doi.org/10.1111/ecog.02881.
- Savitzky A., Golay M. J. E. Smoothing and differentiation of data by simplified least squares procedures // Analytical Chemistry. 1964. V. 36. No. 8. P. 1627–1639. https://doi.org/10.1021/ac60214a047.
- Wold S., Sjöström M., Eriksson L. PLS-regression: a basic tool of chemometrics // Chemometrics and Intelligent Laboratory Systems. 2001. V. 58. No. 2. P. 109–130. https://doi.org/10.1016/S0169-7439(01)00155-1.
- Xu L., Chen L., Luo Q. et al. Leveraging UAV hyperspectral imaging for crop physiology and biochemistry: A comprehensive review of feature extraction and selection methods // Plant Phenomics. 2026. V. 8. Iss. 1. Article 100141. https://doi.org/10.1016/j.plaphe.2025.100141.
- Xue J., Su B. Significant remote sensing vegetation indices: A review of developments and applications // J. Sensors. 2017. V. 2017. Article 1353691. https://doi.org/10.1155/2017/1353691.
- Yu J., Wang J., Leblon B., Song Y. Nitrogen estimation for wheat using UAV-based and satellite multispectral imagery, topographic metrics, leaf area index, plant height, soil moisture, and machine learning methods // Nitrogen. 2022. V. 3. No. 1. P. 1–25. https://doi.org/10.3390/nitrogen3010001.