Remote Sensing Based Yield Estimation of Rice (Oryza Sativa L.) Using Gradient Boosted Regression in India

Abstract

Accurate and spatially explicit yield information is required to ensure farmers’ income and food security at local and national levels. Current approaches based on crop cutting experiments are expensive and usually too late for timely income stabilization measures like crop insurances. We, therefore, utilized a Gradient Boosted Regression (GBR), a machine learning technique, to estimate rice yields at ~500 m spatial resolution for rice-producing areas in India with potential application for near real-time estimates. We used resampled intermediate resolution (~5 km) images of the Moderate Resolution Imaging Spectroradiometer (MODIS) Leaf Area Index (LAI) and observed yields at the district level in India for calibrating GBR models. These GBRs were then used to downscale district yields to 500 m resolution. Downscaled yields were re-aggregated for validation against out-of-sample district yields not used for model training and an additional independent data set of block-level (below district-level) yields. Our downscaled and re-aggregated yields agree well with reported district-level observations from 2003 to 2015 (r = 0.85 & MAE = 0.15 t/ha). The model performance improved further when estimating separate models for different rice cropping densities (up to r = 0.93). An additional out-of-sample validation for the years 2016 and 2017, proved successful with r = 0.84 and r = 0.77, respectively. Simulated yield accuracy was higher in water-limited, rainfed agricultural systems. We conclude that this downscaling approach of rice yield estimation using GBR is feasible across India and may complement current approaches for timely rice yield estimation required by insurance companies and government agencies.

Estimating fall‐harvested alfalfa (Medicago sativa L.) yield using unmanned aerial vehicle–based multispectral and thermal images in southern California

“…2018), wheat (Segarra et al, 2020;Zhang et al, 2020), and rice (Arumugam et al, 2021;Fernandez-Beltran et al, 2021;Huang et al, 2013). In addition, several recent studies have also used satellite or UAV-acquired remote sensing images to develop alfalfa yield predicting models and reported promising results (Chandel et al, 2021;Dvorak et al, 2021;Feng et al, 2020).…”

“…Estimation of crop yield using remotely sensed images from UAVs and various satellite products has been well studied for cereals crops, including maize (Schwalbert et al., 2018), wheat (Segarra et al., 2020; Zhang et al., 2020), and rice (Arumugam et al., 2021; Fernandez‐Beltran et al., 2021; Huang et al., 2013). In addition, several recent studies have also used satellite or UAV‐acquired remote sensing images to develop alfalfa yield predicting models and reported promising results (Chandel et al., 2021; Dvorak et al., 2021; Feng et al., 2020).…”

Giám sát lúa và ước tính sinh khối dựa trên thuật toán học máy với dữ liệu Sentinel-1a đa thời gian

“…Nhờ khả năng thu thập thông tin trên phạm vi khu vực và toàn cầu, viễn thám với các cảm biến quang học và cảm biến Radar (SAR) là hai trong số những loại dữ liệu viễn thám được sử dụng để ước tính định lượng sinh khối và giám sát diện tích ruộng lúa [5], [6]. Các nghiên cứu trước đây thường sử dụng cảm biến quang học với độ phân giải không gian thấp (Modis), trung bình (Landsat) và cao (Sentinel-2) để giám sát và ước tính năng suất lúa [7]- [9]. Tuy nhiên, các ruộng lúa luôn nằm trong điều kiện có đám mây lớn bao phủ trong suốt thời gian canh tác và gây khó khăn cho việc giám sát bằng các cảm biến quang học.…”

“…Tán xạ ngược của tia Radar với cây lúa (Bên tráitrường hợp đất không có nước mặt; Bên phải -là trường hợp đất có mặt nước)Để xử lý và trích xuất ruộng lúa từ bộ dữ liệu Sentinel-1A, trong nghiên cứu này sử dụng tổng cộng 24 cảnh ảnh ở Level-1 GRD (Ground Range Detected) với phân cực kép (VH và VV), với thời gian truy cập lại khoảng 12 ngày cho hai vụ lúa (Đông-Xuân và Hè-Thu) tại khu vực thành phố Hà Nội. Do thời gian trồng lúa vụ Đông-Xuân từ tháng một đến tháng năm, bao gồm các ngày trong tháng một(10, 31), tháng hai (12, 24), tháng ba(8, 20), tháng tư(1,13, 25), tháng năm(7,19, 31). Vụ Hè-Thu bắt đầu từ tháng sáu đến tháng mười, bao gồm các ngày (3, 12, 24 -tháng sáu; 6, 18, 30 -tháng bảy; 11, 23tháng tám; 4, 16, 28 -tháng chín; và 10 -tháng mười).…”

Field-scale rice yield estimation based on UAV-based MiniSAR data with Ku band and modified water-cloud model of panicle layer at panicle stage

“…Based on a single TerraSAR image, explored the effects of water-cloud model with different layers on rice yield estimation, indicating that singlelayer water-cloud model is better than a double-layer watercloud model in grain number estimation. In later developments, rice yield estimation based on remote sensing images also began to be combined to computer science, including physical scattering model, optimization algorithm, and gradient regression (Zhang et al, 2020;Arumugam et al, 2021). The results are better than those of the original models.…”