Assessing the Performance of Satellite-Based Models for Crop Yield Estimation in the Canadian Prairies

Abstract

Timely monitoring of crop production using a remote sensing-based approach offers promise toward enhancing food security. Statistical models developed using satellite data typically employ a single vegetation index from a single sensor for yield estimation. With the increasing availability of satellite datasets, there is now an opportunity to investigate the potential of available vegetation indices from different sensors in estimating yields. The key objective of this study was to develop a best-performing satellite-based yield model for the Canadian Prairies for wheat, barley, and canola, trained using municipality-level data from 2009 to 2019. We tested the statistical performance of models built using (a) indices from different sensors (Landsat and Sentinel-2), (b) indices sensitive to different yield properties, and (c) single versus multiple vegetation indices. Results showed Landsat-NDWI as the best performing single-index across all indices and sensors for each crop. Sentinel-2-EVI performed best for wheat and canola and Sentinel-2-SR for barley; but these models were built using only 4 years of data. We found that best-performing single-index models recorded similar predictive accuracy as multi-index models during model validation. The results from this work suggest that satellite-based yield estimation can be improved by selecting the right index related to different crop properties.

RÉSUMÉ

La surveillance en temps voulu de la production agricole à l’aide d’une approche basée sur la télédétection est prometteuse pour l’amélioration de la sécurité alimentaire. Les modèles statistiques développés à partir de données satellitaires utilisent généralement un seul indice de végétation provenant d’un seul capteur pour l’estimation des rendements. Avec la disponibilité croissante des ensembles de données satellitaires, il est désormais possible d’étudier le potentiel des indices de végétation disponibles provenant de différents capteurs pour l’estimation des rendements. L’objectif principal de cette étude était de développer un modèle de rendement basé sur les données satellitaires les plus performantes pour les Prairies canadiennes pour le blé, l’orge et le canola, entraîné à l’aide de données au niveau des municipalités de 2009 à 2019. Nous avons testé la performance statistique des modèles construits en utilisant (a) des indices provenant de différents capteurs (Landsat et Sentinel-2), (b) des indices sensibles à différentes propriétés de rendement, et (c) un seul indice de végétation par rapport à plusieurs. Les résultats ont montré que Landsat-NDWI était l’indice unique le plus performant parmi tous les indices et capteurs pour chaque culture. Sentinel-2-EVI a donné les meilleurs résultats pour le blé et le canola et Sentinel-2-SR pour l’orge; mais ces modèles ont été construits en utilisant seulement 4 années de données. Nous avons constaté que les modèles à indice unique les plus performants ont enregistré une précision prédictive similaire à celle des modèles multi-index lors de la validation du modèle. Les résultats de ce travail suggèrent que l’estimation du rendement par satellite peut être améliorée en sélectionnant le bon indice lié aux différentes propriétés des cultures.

Acknowledgements

We thank Agriculture Financial Services Corporation (AFSC) for providing crop yield data for Alberta (2009–2019).

Disclosure statement

The authors report that there are no competing interests to declare.

Notes

1 AVHRR: Advanced Very High Resolution Radiometer

2 MODIS: Moderate Resolution Imaging Spectroradiometer

3 Saskatchewan crop yields: https://applications.saskatchewan.ca/agrrmyields

4 Manitoba crop yields: https://www.masc.mb.ca/masc.nsf/mmpp_index.html

5 As including multi-step information from the same growing season introduces collinearity between predictors and influences sensitivity of model coefficients, we decided to eliminate multi-stage models from the linear regression modelling approach.

6 Regression models with municipality as a fixed effect were also tested (results not shown). As models with fixed effects did not influence results significantly and due to flexibility of models including a random effect, we present and discuss results for latter models.

Additional information

Funding

This work was funded by Alberta Innovates Project #2019F163R, entitled “Climate-smart agriculture: Big-data analysis to investigate what management practices work”. NKN was supported by funding from the Canadian Agricultural Partnership (CAP).