Журнал

О журнале Новости Редколлегия Информация для авторов и рецензентов Публикационная этика Дискуссия Контакты ЛИЧНЫЙ КАБИНЕТ:
отправка и рецензирование статей
Архив
Том 23, 2026
Номер 1 Номер 2 Номер 3 Номер 4
Том 22, 2025
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 21, 2024
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 20, 2023
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 19, 2022
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 18, 2021
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 17, 2020
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 16, 2019 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 15, 2018 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 14, 2017 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 13, 2016 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 12, 2015 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 11, 2014 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 10, 2013 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 9, 2012 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5
Том 8, 2011 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 7, 2010 г.
Номер 1 Номер 2 Номер 3 Номер 4
Выпуск 6, 2009 г.
Том 1 Том 2
Выпуск 5, 2008 г.
Том 1 Том 2
Выпуск 4, 2007 г.
Том 1 Том 2
Выпуск 3, 2006 г.
Том 1 Том 2
Выпуск 2, 2005 г.
Том 1 Том 2
Выпуск 1, 2004 г.
Том 1
Поиск
Найти:
Подписка/отписка
на рассылку новостей
Ваш e-mail:
подписаться отписаться
English version
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2026. Т. 23. № 4. С. 27-48

Развитие концепции точного земледелия для культур озимой пшеницы: от мультиспектральных спутниковых данных к гиперспектральным эталонам

А.И. Новиков 1 , О.И. Соколова 2 , Т.П. Новикова 3 
1 Агрофизический научно-исследовательский институт, Санкт-Петербург, Россия
2 Ростовский государственный университет путей сообщения, Ростов-на-Дону, Россия
3 Санкт-Петербургский государственный лесотехнический университет им. С.М. Кирова, Санкт-Петербург, Россия
Одобрена к печати: 25.05.2026
DOI: 10.21046/2070-7401-2026-23-4-27-48
Повышение эффективности управления продукционным процессом озимой пшеницы представляется ключевой задачей для обеспечения продовольственной безопасности и устойчивого развития сельского хозяйства. В настоящей статье анализируется и развивается концепция интегрированной системы управления, сочетающая данные дистанционного зондирования Земли, климатические показатели, почвенные характеристики, гибкие алгоритмы оценивания параметров состояния и передовые методы машинного обучения для мониторинга роста и прогнозирования урожайности озимой пшеницы. На основе анализа современных исследований, включая модели IGWO-CNN (англ. Improved Gray Wolf Optimization — Convolutional Neural Network), LSTM (англ. Long Short-Term Memory), RF (англ. Random Forest), SVM (англ. Support Vector Machine), WOFOST (англ. WOrld FOod STudies) и др., рассмотрен комплексный подход, позволяющий осуществлять точное и своевременное прогнозирование урожая на региональном уровне. Особое внимание уделено проблеме интеграции гиперспектральных данных в качестве эталонных для калибровки и верификации спутниковых моделей. Представлен многоперспективный анализ эффективности различных сенсоров и методов, в том числе анализ на уровне сенсоров, методологий моделирования, предикторов и проблемных областей, что позволило определить наиболее эффективные подходы для интеграции с гиперспектральными эталонами. Предложено усовершенствование алгоритма оценивания состояния агроценоза на основе фильтра Калмана для расширенного вектора состояния, включающего параметры биомассы и почвенной среды. Результаты показывают, что интеграция мультиспектральных данных (особенно Sentinel-2 с красными краевыми каналами) и радарных данных (Sentinel-1) с гиперспектральными эталонами и интерпретируемыми моделями глубокого обучения значительно повышает надёжность прогнозов и будет способствовать принятию обоснованных решений в сельскохозяйственном производстве.
Ключевые слова: точное земледелие, озимая пшеница, дистанционное зондирование, гиперспектральные данные, машинное обучение, оценивание состояния, продукционный процесс, MODIS, LSTM, IGWO-CNN, Sentinel-2, интеграция данных, фильтр Калмана
Полный текст

Список литературы:

  1. Галицкий В. В., Комаров А. С. О моделировании роста растений // Изв. Акад. наук СССР. Сер. биол. 1979. № 5. С. 714–723.
  2. Михайленко И. М. Управление системами точного земледелия. СПб.: Изд-во Санкт-Петербургского гос. ун-та, 2005. 234 с.
  3. Михайленко И. М., Тимошин В. Н. Оценивание параметров состояния биомассы корнеплодных культур по данным дистанционного зондирования Земли // Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 3. С. 161–170. DOI: 10.21046/2070-7401-2025-22-3-161-170.
  4. Новикова Т. П., Евдокимова С. А., Новиков А. И. Разработка и исследование базовой модели PERT для планирования работ по проекту // Моделирование систем и процессов. 2021. Т. 14. № 4. С. 75–81. DOI: 10.12737/2219-0767-2021-14-4-75-81.
  5. Ali A., Hussain T., Tantashutikun N. et al. Application of smart techniques, internet of things and data mining for resource use efficient and sustainable crop production // Agriculture. 2023. V. 13. No. 2. Article 397. DOI: 10.3390/agriculture13020397.
  6. Bernardes R. C., De Medeiros A., da Silva L. et al. Deep-learning approach for Fusarium head blight detection in wheat seeds using low-cost imaging technology // Agriculture. 2022. V. 12. No. 11. Article 1801. DOI: 10.3390/agriculture12111801.
  7. Bolton D. K., Friedl M. A. Forecasting crop yield using remotely sensed vegetation indices and crop phenology metrics // Agricultural and Forest Meteorology. 2013. V. 173. P. 74–84. DOI: 10.1016/j.agrformet.2013.01.007.
  8. Cai Y., Guan K., Lobell D. et al. Integrating satellite and climate data to predict wheat yield in Australia using machine learning approaches // Agricultural and Forest Meteorology. 2019. V. 274. P. 144–159. DOI: 10.1016/j.agrformet.2019.03.010.
  9. Chahbi-Bellakanji A., Shil E., Khlif M. et al. Early cereal yield prediction using machine learning and Sentinel-1 and Sentinel-2 satellite data // European J. Remote Sensing. 2025. V. 58. No. 1. Article 2558614. DOI: 10.1080/22797254.2025.2558614.
  10. Chen P., Li Y., Liu X. et al. Improving yield prediction based on spatio-temporal deep learning approaches for winter wheat: A case study in Jiangsu Province, China // Computers and Electronics in Agriculture. 2023. V. 213. Article 108201. DOI: 10.1016/j.compag.2023.108201.
  11. Cui X., Guan Z., Farnsworth D. Advancing specialty crop management: A review of recent developments in robotics, remote sensing, and machine learning systems // Intern. Food and Agribusiness Management Review. 2025. V. 28. No. 2. P. 423–440. DOI: 10.22434/IFAMR1104.
  12. Delécolle R., Maas S. J., Guérif M., Baret F. Remote sensing and crop production models: present trends // ISPRS J. Photogrammetry and Remote Sensing. 1992. V. 47. P. 145–161. DOI: 10.1016/0924-2716(92)90030-D.
  13. Dhaliwal D. S., Williams M. M., II. Sweet corn yield prediction using machine learning models and field-level data // Precision Agriculture. 2024. V. 25. P. 51–64. DOI: 10.1007/s11119-023-10057-1.
  14. Elbeltagi A., Srivastava A., Cao X. et al. An interpretable machine learning approach based on SHAP, Sobol and LIME values for precise estimation of daily soybean crop coefficients // Scientific Reports. 2025. V. 15. Article 36594. DOI: 10.1038/s41598-025-20386-y.
  15. Filippi P., Han S. Y., Bishop T. F. A. On crop yield modelling, predicting, and forecasting and addressing the common issues in published studies // Precision Agriculture. 2024. V. 26. Article 8. DOI: 10.1007/s11119-024-10212-2.
  16. Fu H., Lu J., Li J. et al. Winter wheat yield prediction using satellite remote sensing data and deep learning models // Agronomy. 2025. V. 15. No. 1. Article 205. DOI: 10.3390/agronomy15010205.
  17. Gavasso-Rita Y. L., Papalexiou S. M., Li Y. et al. Crop models and their use in assessing crop production and food security: A review // Food and Energy Security. 2024. V. 13. No. 1. Article e503. DOI: 10.1002/fes3.503.
  18. Guanter L., Zhang Y., Jung M. et al. Global and time-resolved monitoring of crop photosynthesis with chlorophyll fluorescence // PNAS. 2014. V. 111. No. 14. P. E1327–E1333. DOI: 10.1073/pnas.1320008111.
  19. Guérif M., Duke C. L. Adjustment procedures of a crop model to the site-specific characteristics of soil and crop using remote sensing data assimilation // Agriculture, Ecosystems and Environment. 2000. V. 81. P. 57–69. DOI: 10.1016/S0167-8809(00)00168-7.
  20. Guo J., Lu W., Zhang G. et al. Incorporating remote sensing data in crop model to monitor crop growth and predict yield in regional area // Proc. SPIE. 2006. V. 6411. Article 64111C. DOI: 10.1117/12.692756.
  21. Han J., Zhang Z., Cao J. et al. Prediction of winter wheat yield based on multi-source data and machine learning in China // Remote Sensing. 2020. V. 12. No. 2. Article 236. DOI: 10.3390/rs12020236.
  22. Huete A., Didan K., Miura T. et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices // Remote Sensing of Environment. 2002. V. 83. P. 195–213. DOI: 10.1016/S0034-4257(02)00096-2.
  23. Jennewein J. S., Lamb B. T., Hively W. D. et al. Integration of satellite-based optical and synthetic aperture radar imagery to estimate winter cover crop performance in cereal grasses // Remote Sensing. 2022. V. 14. No. 9. Article 2077. DOI: 10.3390/rs14092077.
  24. Jiang J., Shu Y., Wang J., Long M. Transferability in deep learning: A survey // https://arxiv.org/. arXiv:2201.05867. 2022. 64 p. https://arxiv.org/abs/2201.05867.
  25. Jin X., Li Z., Feng H. et al. Estimation of maize yield by assimilating biomass and canopy cover derived from hyperspectral data into the AquaCrop model // Agricultural Water Management. 2020. V. 227. Article 105846. DOI: 10.1016/j.agwat.2019.105846.
  26. Jones J. W., Hoogenboom G., Porter C. H. et al. The DSSAT cropping system model // European J. Agronomy. 2003. V. 18. P. 235–265. DOI: 10.1016/S1161-0301(02)00107-7.
  27. Khaki S., Wang L. Crop yield prediction using deep neural networks // Frontiers in Plant Science. 2019. V. 10. Article 621. 10 p. DOI: 10.3389/fpls.2019.00621.
  28. Lee W. S., Alchanatis V., Yang C. et al. Sensing technologies for precision specialty crop production // Computers and Electronics in Agriculture. 2010. V. 74. No. 1. P. 2–33. DOI: 10.1016/j.compag.2010.08.005.
  29. Liu L., Cao R., Chen J. et al. Detecting crop phenology from vegetation index time-series data by improved shape model fitting in each phenological stage // Remote Sensing of Environment. 2022. V. 277. Article 113060. DOI: 10.1016/j.rse.2022.113060.
  30. Liu F., Jiang X., Wu Z. et al. Attention mechanism-combined LSTM for grain yield prediction in China using multi-source satellite imagery // Sustainability. 2023. V. 15. No. 12. Article 9210. DOI: 10.3390/su15129210.
  31. Liu X., Yang H., Ata-Ul-Karim S. T. et al. Screening drought-resistant and water-saving winter wheat varieties by predicting yields with multi-source UAV remote sensing data // Computers and Electronics in Agriculture. 2025. V. 234. Article 110213. DOI: 10.1016/j.compag.2025.110213.
  32. Lobell D. B., Burke M. B. On the use of statistical models to predict crop yield responses to climate change // Agricultural and Forest Meteorology. 2010. V. 150. P. 1443–1452. DOI: 10.1016/j.agrformet.2010.07.008.
  33. Lu B., Dao P. D., Liu J. et al. Recent advances of hyperspectral imaging technology and applications in agriculture // Remote Sensing. 2020. V. 12. No. 16. Article 2659. DOI: 10.3390/rs12162659.
  34. Lyu Y., Wang P., Bai X. et al. Machine learning techniques and interpretability for maize yield estimation using time-series images of MODIS and multi-source data // Computers and Electronics in Agriculture. 2024. V. 222. Article 109063. DOI: 10.1016/j.compag.2024.109063.
  35. Ma X., Zhu X., Xie Q. et al. Monitoring nature’s calendar from space: Emerging topics in land surface phenology and associated opportunities for science applications // Global Change Biology. 2022. V. 28. No. 24. P. 7186–7204. DOI: 10.1111/gcb.16436.
  36. Ma Y., Liang S.-Z., Myers D. B. et al. Subfield-level crop yield mapping without ground truth data: A scale transfer framework // Remote Sensing of Environment. 2024. V. 315. Article 114427. DOI: 10.1016/j.rse.2024.114427.
  37. Manin A. A., Sokolov S. V., Novikov A. I. et al. Kalman filter adaptation to disturbances of the observer’s parameters // Inventions. 2021. V. 6. No. 4. Article 80. DOI: 10.3390/inventions6040080.
  38. Manin A. A., Sukhanov A. V., Sokolov S. V. et al. Kalman filter adaptive to constant perturbations of the observable object parameters // Proc. 5th Intern. Scientific Conf. “Intelligent Information Technologies for Industry” (IITI’21). Lecture Notes in Networks and Systems. 2022. V. 330. P. 527–538. DOI: 10.1007/978-3-030-87178-9_52.
  39. Marais Sicre C., Fieuzal R., Baup F. Contribution of multispectral (optical and radar) satellite images to the classification of agricultural surfaces // Intern. J. Applied Earth Observation and Geoinformation. 2020. V. 84. Article 101972. DOI: 10.1016/j.jag.2019.101972.
  40. Muruganantham P., Wibowo S., Grandhi S. et al. A systematic literature review on crop yield prediction with deep learning and remote sensing // Remote Sensing. 2022. V. 14. No. 9. Article 1990. DOI: 10.3390/rs14091990.
  41. Novikov A. I., Vovchenko N. G., Sokolov S. V. et al. Improving the quality of automated VIS-grading of Scots pine seeds using fuzzy logic algorithm // IOP Conf. Ser.: Earth and Environmental Science. 2021. V. 875. Article 012032. DOI: 10.1088/1755-1315/875/1/012032.
  42. Novikova T. P., Tylek P., Petrishchev E. P., Novikov A. I. Higher plant seed container germination success predicted by smart farming optical RGB approach // Scientific Reports. 2026. V. 16. Article 13021. DOI: 10.1038/s41598-026-42258-9.
  43. Pei J., Tan S., Zou Y. et al. The role of phenology in crop yield prediction: Comparison of ground-based phenology and remotely sensed phenology // Agricultural and Forest Meteorology. 2025. V. 361. Article 110340. DOI: 10.1016/j.agrformet.2024.110340.
  44. Peng B., Guan K., Tang J. et al. Towards a multiscale crop modelling framework for climate change adaptation assessment // Nature Plants. 2020. V. 6. No. 4. P. 338–348. DOI: 10.1038/s41477-020-0625-3.
  45. Radočaj D., Plaščak I., Jurišić M. (2025a) Fusion of Sentinel-2 phenology metrics and saturation-resistant vegetation indices for improved correlation with maize yield maps // Agronomy. 2025. V. 15. No. 6. Article 1329. DOI: 10.3390/agronomy15061329.
  46. Radočaj D., Plaščak I., Jurišić M. (2025b) A comparative assessment of regular and spatial cross-validation in subfield machine learning prediction of maize yield from Sentinel-2 phenology // Eng. 2025. V. 6. No. 10. Article 270. DOI: 10.3390/eng6100270.
  47. Radočaj D., Jurišić M., Plaščak I., Galić L. Satellite remote sensing for crop yield prediction: A review // Agriculture. 2026. V. 16. No. 4. Article 417. DOI: 10.3390/agriculture16040417.
  48. Segarra J., Buchaillot M. L., Araus J. L., Kefauver S. C. Remote sensing for precision agriculture: Sentinel-2 improved features and applications // Agronomy. 2020. V. 10. No. 5. Article 641. DOI: 10.3390/agronomy10050641.
  49. Shahhosseini M., Hu G., Huber I., Archontoulis S. V. Coupling machine learning and crop modeling improves crop yield prediction in the US Corn Belt // Scientific Reports. 2021. V. 11. No. 1. Article 1606. DOI: 10.1038/s41598-020-80820-1.
  50. Sokolov S. V., Novikov A. I. Adaptive estimation of UVs navigation parameters by irregular inertial-satellite measurements // Intern. J. Intelligent Unmanned Systems. 2021. V. 9. No. 4. P. 274–282. DOI: 10.1108/IJIUS-10-2019-0056.
  51. Sokolov S., Novikov A., Polyakova M. Adaptive stochastic filtration based on the estimation of the covariance matrix of measurement noises using irregular accurate observations // Inventions. 2021. V. 6. No. 1. Article 10. DOI: 10.3390/inventions6010010.
  52. Sokolov S., Khatlamadzhiyan A., Novikov A. et al. Terminal stochastic filtering of nonlinear dynamic processes: The case of invariant immersion // Proc. 6th Intern. Scientific Conf. “Intelligent Information Technologies for Industry” (IITI’22). Lecture Notes in Networks and Systems. 2023. V. 566. P. 369–379. DOI: 10.1007/978-3-031-19620-1_35.
  53. Trevisiol F., Mandanici E., Pagliarani A., Bitelli G. Evaluation of Landsat-9 interoperability with Sentinel-2 and Landsat-8 over Europe and local comparison with field surveys // ISPRS J. Photogrammetry and Remote Sensing. 2024. V. 210. P. 55–68. DOI: 10.1016/j.isprsjprs.2024.02.021.
  54. van Klompenburg T., Kassahun A., Catal C. Crop yield prediction using machine learning: A systematic literature review // Computers and Electronics in Agriculture. 2020. V. 177. Article 105709. DOI: 10.1016/j.compag.2020.105709.
  55. Wang X., Huang J., Feng Q., Yin D. Winter wheat yield prediction at county level and uncertainty analysis in main wheat-producing regions of China with deep learning approaches // Remote Sensing. 2020. V. 12. No. 11. Article 1744. DOI: 10.3390/rs12111744.
  56. Zhang Z., Yang J., Sun H. et al. MCVI-SANet: A lightweight semi-supervised model for LAI and SPAD estimation of winter wheat under vegetation index saturation // https://arxiv.org/. arXiv:2512.18344. 2025. 33 p. https://arxiv.org/abs/2512.18344.
  57. Zhou W., Liu Y., Ata-Ul-Karim S. T. et al. Integrating climate and satellite remote sensing data for predicting county-level wheat yield in China using machine learning methods // Intern. J. Applied Earth Observation and Geoinformation. 2022. V. 111. Article 102861. DOI: 10.1016/j.jag.2022.102861.