Sector-Specific Machine Learning Models for Short-Term Sugarcane Yield Forecasting Using NDVI at Plot Level

Sintesi Tecnica: Modelli di Machine Learning Specifici per Settore per la Previsione a Breve Termine della Resa della Canna da Zucchero

Problematica
La previsione accurata, a livello di appezzamento, della resa della canna da zucchero (misurata in tonnellate di canna per ettaro, TCH) è fondamentale per ottimizzare la gestione agricola, l'allocazione delle risorse e la pianificazione operativa nell'industria dello zucchero in Guatemala. I metodi di stima tradizionali si basano su dati storici o biometria sul campo, che sono logisticamente complessi e non riescono a catturare la variabilità spaziale e temporale inerente alle vaste aree di coltivazione con cicli di coltura scaglionati. Inoltre, gli esistenti modelli macroscopici spesso trascurano i cambiamenti tecnologici di metà stagione e le condizioni biofisiche locali, mentre il campionamento sul campo è laborioso e difficile da scalare. Gli attuali approcci di Machine Learning (ML) operano frequentemente su scale spaziali aggregate o si affidano a osservazioni statiche, limitando la loro utilità per il processo decisionale in tempo reale a livello di appezzamento. La sfida principale affrontata è l'incapacità degli attuali framework di integrare simultaneamente la stima a livello di appezzamento, la modellazione temporale degli indici di vegetazione attraverso le fasi fenologiche e l'aggiornamento continuo delle previsioni man mano che nuovi dati satellitari diventano disponibili.

Metodologia
Lo studio ha sviluppato un framework basato su ML per prevedere le rese a breve termine della canna da zucchero utilizzando l'Indice di Vegetazione Differenziale Normalizzato (NDVI) segmentato per età, derivato dalle immagini satellitari Sentinel-2 (S2).

• Integrazione dei Dati: I ricercatori hanno costruito un dataset integrato collegando i record di produttività di 2.132 appezzamenti di canna da zucchero attraverso sei stagioni di raccolto (2016–17 fino al 2021–22) con serie temporali NDVI derivate da S2. L'area di studio copriva 46.754 ettari gestiti da Ingenio Magdalena.
• Ingegneria delle Caratteristiche (Feature Engineering): Le osservazioni NDVI sono state aggregate in bin temporali di 45 giorni allineati con le fasi fenologiche chiave (Accestimento, Elongazione I, Elongazione II e Maturazione). Per ogni bin, sono state estratte cinque caratteristiche statistiche: Media, Mediana, Primo Quartile (Q1), Terzo Quartile (Q3) e Area Sotto la Curva (AUC). Per garantire la coerenza temporale, sono stati mantenuti solo gli appezzamenti con traiettorie NDVI complete attraverso tutti i bin.
• Strategie di Modellazione: Sono stati valutati due distinti schemi di modellazione spaziale:
  1. Schema Globale: Un singolo modello universale addestrato su tutte le osservazioni disponibili indipendentemente dalla posizione.
  2. Schema Specifico per Settore: Modelli indipendenti sviluppati per singoli settori agricoli (il 47% dei settori soddisfaceva la soglia minima di cinque osservazioni) per catturare la variabilità biofisica locale.
• Valutazione degli Algoritmi: Sono stati testati dieci algoriti di regressione, tra cui Boosted Linear Model (BstLm), Support Vector Machine con Kernel Polinomiale (svmPoly), Random Forest (rf), Sparse Partial Least Square (spls) e Gaussian Process Regression (gaussprPoly). Gli iperparametri sono stati ottimizzati tramite cross-validazione a 5 pieghe (5-fold).
• Validazione: I modelli sono stati valutati su un set di test indipendente (Zafra 2021–22) utilizzando l'Errore Quadratico Medio (RMSE) e il coefficiente di determinazione ($R^2$). Le prestazioni sono state inoltre confrontate con le stime degli esperti pre-raccolto fornite dai responsabili di campo. L'analisi SHAP (SHapley Additive exPlanations) è stata applicata per interpretare l'importanza delle caratteristiche.

Risultati Chiave

• Prestazioni del Modello: L'approccio specifico per settore ha superato significativamente il modello globale. Sul set di test indipendente, lo schema specifico per settore ha raggiunto un RMSE di 12,48 TCH e un $R^2$ di 0,7840, rispetto all'RMSE di 16,75 TCH e $R^2$ di 0,5724 del modello globale.
• Selezione degli Algoritmi: Gli algoritmi selezionati più frequentemente sono stati lo Sparse Partial Least Square (spls) e la Support Vector Machine con Kernel Polinomiale (svmPoly). Lo schema globale ha favorito la Gaussian Process Regression con Kernel Polinomiale (gaussprPoly), ma questo è stato meno efficace rispetto ai modelli settoriali personalizzati.
• Importanza delle Caratteristiche: L'analisi SHAP ha identificato la Mediana dell'NDVI come la caratteristica predittiva dominante (selezionata nel 51% dei modelli). La fase fenologica di Elongazione I (EI) è stata determinata come il periodo più influente per la stima della resa, allineandosi con la fase di picco dell'attività metabolica e della richiesta idrica.
• Affidabilità Temporale: Previsioni affidabili erano ottenibili a partire dal quinto mese di crescita della coltura (RMSE = 14,13 TCH). L'accuratezza della previsione è migliorata progressivamente con la maturazione della coltura, con un margine di errore che si è ridotto significativamente entro il nono e il dodicesimo mese.
• Confronto con gli Esperti: Il framework specifico per settore ha superato le stime tradizionali degli esperti (RMSE = 15,47 TCH). In particolare, il sistema ML ha fornito una maggiore accuratezza precocemente nella stagione (entro il quinto mese) rispetto alle stime degli esperti, che vengono tipicamente condotte solo un mese prima del raccolto.

Significatività e Rivendicazioni
Il documento afferma che i modelli di ML localizzati e specifici per settore, combinati con la dinamica temporale dell'NDVI, forniscono una metodologia scalabile per l'agricoltura di precisione che supera sia i modelli globali che le stime tradizionali degli esperti. Il framework consente:

1. Gestione Proattiva: Generando previsioni affidabili dal quinto mese di crescita, il sistema permette aggiustamenti anticipati all'irrigazione, alla fertilizzazione e ai piani di raccolta, piuttosto che attendere l'analisi di fine ciclo.
2. Quantificazione della Variabilità: L'approccio cattura le complesse interazioni tra condizioni ambientali e pratiche gestionali, riducendo l'incertezza associata alle valutazioni visive soggettive, specialmente durante i periodi di stress idrico.
3. Utilità Operativa: Il sistema supporta la pianificazione del budget e operativa fornendo obiettivi di resa per appezzamento che sono più accurati rispetto alle medie storiche o alle stime soggettive dei manager.

Gli autori rilevano un limite attuale: la dipendenza dai dati satellitari ottici significa che la persistenza della copertura nuvolosa limita l'implementazione dell'approccio specifico per settore a circa il 52% degli appezzamenti. Propongono che il lavoro futuro affronterà questo problema integrando i dati Synthetic Aperture Radar (SAR) da Sentinel-1 per garantire un monitoraggio continuo indipendentemente dalle condizioni atmosferiche. Lo studio conclude che questo cambio di paradigma trasforma la previsione della resa da una stima statica di fine ciclo in uno strumento dinamico di supporto alle decisioni.