Correlation of satellite-based LAI and actual crop yield
The main objective of this article was to investigate the correlation between actual crop yield and Sentinel-2 Leaf Area Index (LAI) for the further possibility of predict model creating. To do so, the following steps have been done. Step 1 – the dataset of actual crop yield was collected for 2364 f...
Saved in:
| Date: | 2023 |
|---|---|
| Main Authors: | , , |
| Format: | Article |
| Language: | English |
| Published: |
Scientific Centre for Aerospace Research of the Earth Institute of Geological Science National Academy of Sciences of Ukraine, Kyiv, Ukraine
2023
|
| Subjects: | |
| Online Access: | https://ujrs.org.ua/ujrs/article/view/238 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Ukrainian Journal of Remote Sensing of the Earth |
Institution
Ukrainian Journal of Remote Sensing of the Earth| id |
uajuacgovua-article-238 |
|---|---|
| record_format |
ojs |
| institution |
Ukrainian Journal of Remote Sensing of the Earth |
| baseUrl_str |
|
| datestamp_date |
2023-10-02T18:58:00Z |
| collection |
OJS |
| language |
English |
| topic |
crop actual yield correlation Satellite-based LAI |
| spellingShingle |
crop actual yield correlation Satellite-based LAI Kryvoshein, Оleksandr Kryvobok, Оleksii Kozhushko, Olena Correlation of satellite-based LAI and actual crop yield |
| topic_facet |
crop actual yield correlation Satellite-based LAI індекс площі листкової поверхні LAI фактична врожайність сільськогосподарських культур кореляція супутникові дані |
| format |
Article |
| author |
Kryvoshein, Оleksandr Kryvobok, Оleksii Kozhushko, Olena |
| author_facet |
Kryvoshein, Оleksandr Kryvobok, Оleksii Kozhushko, Olena |
| author_sort |
Kryvoshein, Оleksandr |
| title |
Correlation of satellite-based LAI and actual crop yield |
| title_short |
Correlation of satellite-based LAI and actual crop yield |
| title_full |
Correlation of satellite-based LAI and actual crop yield |
| title_fullStr |
Correlation of satellite-based LAI and actual crop yield |
| title_full_unstemmed |
Correlation of satellite-based LAI and actual crop yield |
| title_sort |
correlation of satellite-based lai and actual crop yield |
| title_alt |
Кореляція супутникового індексу площі листкової поверхні (LAI) з фактичною врожайністю |
| description |
The main objective of this article was to investigate the correlation between actual crop yield and Sentinel-2 Leaf Area Index (LAI) for the further possibility of predict model creating. To do so, the following steps have been done. Step 1 – the dataset of actual crop yield was collected for 2364 fields in Ukraine represented with maize, soy, sunflower, winter wheat, winter rapeseed and winter barley. Step 2 – the dataset of Sentinel-2 LAI was collected for 2016-2018 period according to the actual crop yield available. Step 3 – LAI preprocessing (spatial averaging, temporal interpolation/extrapolation to fill the time series gaps, smoothing time series dynamics, temporal averaging). In order to accomplish the process of filling the gaps for the LAI time series, the regular time series dynamics of LAI with a 1-day interval were created using 4 methods: linear interpolation, spline interpolation, LOCF (Last Observation Carried Forward) and ARIMA (AutoRegressive Integrated Moving Average). The time series smoothing process have been accomplish using the local polynomial regression (LOESS) function with different degrees of smoothing. The LAI dynamics preprocessing step did not strongly affect the improvement of the correlation coefficients. Thus, the smoothing process for the time series LAI dynamics at the 0.1 degree of smoothing according to the LOCF and ARIMA gap-filling methods of improved correlation coefficients by 0.01 on average. Step 4 – actual yield values were related to preprocessed satellite-based LAI (correlation of actual yields and LAI). A strong relationship was not indicated (with averaged by vegetation periods correlation coefficient of 0.4 for maize, 0.52 – soy, 0.39 – sunflower, 0.86 – winter barley, 0.54 – winter rapeseed and 0.5 – winter wheat). Since the reliability of obtained correlation coefficients also depends on how many observed data points were in the sample, the hypothesis test of the "significance of the correlation coefficient" has been performed and shows the significance level of p < 0.05 for all crops except winter barley (there is insufficient evidence to conclude that high correlation coefficient of 0.86 for this crop is significant). The average correlation coefficient for all crops is about 0.5 (p < 0.05) which is considered low/moderate. Thus, an attempt to create a linear crop yield prediction model using only Leaf Area Index (LAI) derived from Sentinel-2 will not be effective (based on the cases considered). |
| publisher |
Scientific Centre for Aerospace Research of the Earth Institute of Geological Science National Academy of Sciences of Ukraine, Kyiv, Ukraine |
| publishDate |
2023 |
| url |
https://ujrs.org.ua/ujrs/article/view/238 |
| work_keys_str_mv |
AT kryvosheinoleksandr correlationofsatellitebasedlaiandactualcropyield AT kryvobokoleksii correlationofsatellitebasedlaiandactualcropyield AT kozhushkoolena correlationofsatellitebasedlaiandactualcropyield AT kryvosheinoleksandr korelâcíâsuputnikovogoíndeksuploŝílistkovoípoverhnílaizfaktičnoûvrožajnístû AT kryvobokoleksii korelâcíâsuputnikovogoíndeksuploŝílistkovoípoverhnílaizfaktičnoûvrožajnístû AT kozhushkoolena korelâcíâsuputnikovogoíndeksuploŝílistkovoípoverhnílaizfaktičnoûvrožajnístû |
| first_indexed |
2025-07-17T11:22:51Z |
| last_indexed |
2025-07-17T11:22:51Z |
| _version_ |
1850411204464345088 |
| spelling |
uajuacgovua-article-2382023-10-02T18:58:00Z Correlation of satellite-based LAI and actual crop yield Кореляція супутникового індексу площі листкової поверхні (LAI) з фактичною врожайністю Kryvoshein, Оleksandr Kryvobok, Оleksii Kozhushko, Olena crop actual yield correlation Satellite-based LAI індекс площі листкової поверхні LAI фактична врожайність сільськогосподарських культур кореляція супутникові дані The main objective of this article was to investigate the correlation between actual crop yield and Sentinel-2 Leaf Area Index (LAI) for the further possibility of predict model creating. To do so, the following steps have been done. Step 1 – the dataset of actual crop yield was collected for 2364 fields in Ukraine represented with maize, soy, sunflower, winter wheat, winter rapeseed and winter barley. Step 2 – the dataset of Sentinel-2 LAI was collected for 2016-2018 period according to the actual crop yield available. Step 3 – LAI preprocessing (spatial averaging, temporal interpolation/extrapolation to fill the time series gaps, smoothing time series dynamics, temporal averaging). In order to accomplish the process of filling the gaps for the LAI time series, the regular time series dynamics of LAI with a 1-day interval were created using 4 methods: linear interpolation, spline interpolation, LOCF (Last Observation Carried Forward) and ARIMA (AutoRegressive Integrated Moving Average). The time series smoothing process have been accomplish using the local polynomial regression (LOESS) function with different degrees of smoothing. The LAI dynamics preprocessing step did not strongly affect the improvement of the correlation coefficients. Thus, the smoothing process for the time series LAI dynamics at the 0.1 degree of smoothing according to the LOCF and ARIMA gap-filling methods of improved correlation coefficients by 0.01 on average. Step 4 – actual yield values were related to preprocessed satellite-based LAI (correlation of actual yields and LAI). A strong relationship was not indicated (with averaged by vegetation periods correlation coefficient of 0.4 for maize, 0.52 – soy, 0.39 – sunflower, 0.86 – winter barley, 0.54 – winter rapeseed and 0.5 – winter wheat). Since the reliability of obtained correlation coefficients also depends on how many observed data points were in the sample, the hypothesis test of the "significance of the correlation coefficient" has been performed and shows the significance level of p < 0.05 for all crops except winter barley (there is insufficient evidence to conclude that high correlation coefficient of 0.86 for this crop is significant). The average correlation coefficient for all crops is about 0.5 (p < 0.05) which is considered low/moderate. Thus, an attempt to create a linear crop yield prediction model using only Leaf Area Index (LAI) derived from Sentinel-2 will not be effective (based on the cases considered). Основною метою цієї статті було дослідити кореляцію між фактичною врожайністю сільськогосподарських культур та індексом площі листкової поверхні (LAI) за супутниковими даними Sentinel-2. Для цього було зроблено наступні кроки. 1) Зібрано набір даних фактичної врожайності для 2364 полів в Україні (зокрема, у Вінницькій, Хмельницкій та Черкаській областях), що представлений наступними сільськогосподарськими культурами: кукурудза, соя, соняшник, озима пшениця, озимий ріпак та озимий ячмінь. 2) Створено набір даних індексу листкової поверхні (LAI) за супутниковими даними Sentinel-2 за період 2016-2018 рр. відповідно до наявної фактичної врожайності. 3) Попередня обробка LAI. Просторове усереднення значень індексу листкової поверхні по полю. Часова інтерполяція/екстраполяція значень LAI для заповнення пробілів у часових рядах (створення регулярного часовогу ряду з інтервалом 1 день) з використанням 4 методів: лінійна інтерполяція, інтерполяція сплайном, LOCF («останнє спостереження перенесено вперед») та інтегрована модель авторегресії – ковзного середнього (ARIMA). Згладжування динаміки часових рядів з використанням функції локальної поліноміальної регресії (LOESS) з різним ступенем згладжування. Осереднення значень LAI у часі. 4) Кореляція фактичної врожайності та LAI для всіх можливих варіантів попереднього опрацювання LAI. В результаті проведеного аналізу не було виявлено сильний кореляційний зв’язок (найвищий коефіцієнт кореляції для кукурудзи – 0,4; для сої – 0,52; для соняшнику – 0.39, для озимого ячменю – 0,86; для озимого ріпаку – 0,54 та для озимої пшениці – 0,5). Спостерігається залежність коефіцієнтів кореляції та кількості сільськогосподарських полів (8 полів озимого ячменю мають сильний коефіцієнт кореляції – 0,86, а 998 полів соняшнику мають слабкий коефіцієнт кореляції – 0,39). Середній коефіцієнт кореляції для всіх культур становить близько 0,5. Таким чином, лінійна модель прогнозування врожайності, з використанням в якості предиктора лише індекса площі листкової поверхні (LAI), отриманого з Sentinel-2, не буде ефективною (на основі розглянутих випадків). Саме тому, на нашу думку, кращим способом використання LAI в аспекті прогнозування майбутньої врожайності є його асиміляція у біофізичні моделі. В результаті проведеного аналізу не було виявлено сильний кореляційний зв’язок (найвищий коефіцієнт кореляції для кукурудзи – 0,4; для сої – 0,52; для соняшнику – 0.39, для озимого ячменю – 0,86; для озимого ріпаку – 0,54 та для озимої пшениці – 0,5). Спостерігається залежність коефіцієнтів кореляції та кількості сільськогосподарських полів (8 полів озимого ячменю мають сильний коефіцієнт кореляції – 0,86, а 998 полів соняшнику мають слабкий коефіцієнт кореляції – 0,39). Середній коефіцієнт кореляції для всіх культур становить близько 0,5. Таким чином, лінійна модель прогнозування врожайності, з використанням в якості предиктора лише індекса площі листкової поверхні (LAI), отриманого з Sentinel-2, не буде ефективною (на основі розглянутих випадків). Саме тому, на нашу думку, кращим способом використання LAI в аспекті прогнозування майбутньої врожайності є його асиміляція у біофізичні моделі. Scientific Centre for Aerospace Research of the Earth Institute of Geological Science National Academy of Sciences of Ukraine, Kyiv, Ukraine 2023-09-29 Article Article application/pdf https://ujrs.org.ua/ujrs/article/view/238 10.36023/ujrs.2023.10.3.238 Ukrainian journal of remote sensing; Vol. 10 No. 3 (2023); 21-27 Украинский журнал дистанционного зондирования Земли; Том 10 № 3 (2023); 21-27 Український журнал дистанційного зондування Землі; Том 10 № 3 (2023); 21-27 2313-2132 en https://ujrs.org.ua/ujrs/article/view/238/257 Copyright (c) 2023 Ukrainian journal of remote sensing |