Crop Yield Estimation with MODIS Derived Normalized Difference Vegetation Index and Comparative Study on Crop Yield Prediction Among Linear Regression, Random Forest and Gradient Boosting as Well as CatBoost

本文介绍了一个机器学习系统的设计、开发与评估，该系统用于预测2000年至2026年间印度各邦的农作物产量，并辅以一项基于MODIS衍生的NDVI时间序列（MOD13A3.061植被指数月度L3全球1 km SIN网格）在全国尺度上对预测作物产量的验证。尽管此前已有许多研究采用线性回归、随机森林、梯度提升及相关方法进行作物产量预测，但针对预测作物产量的补充性、聚合层面的验证方法却鲜有提出。本文提出了这样一种方法，并辅以一种基于NDVI的粮食总产量估算方法。作物产量与MODIS衍生的NDVI高度相关（年最大NDVI的r = 0.84；年均NDVI的r = 0.78），仅以年最大NDVI对粮食总产量进行简单回归即可达到R² = 0.70。本文构建了四种建模方法——线性回归、随机森林、梯度提升和CatBoost——并采用保持时间顺序的扩展窗口前向验证程序进行比较，最终以2024—2026年作为未触碰的留出集，而非随机划分；一项配套的泄漏检查证实，报告产量与报告单产在代数上几乎完全相同，因此必须将其从特征集中排除。随机森林产生了最可靠且一致的预测，在最终留出集上达到平均绝对百分比误差（MAPE）为11.4%、R² = 0.982，优于CatBoost（MAPE = 11.6%，R² = 0.969）和梯度提升（MAPE = 13.0%，R² = 0.908），并大幅优于线性回归，后者未能泛化至留出期（R² = −10.67）；然而在此留出集之前的各前向验证折中，三种树集成方法在统计上无法区分。一项四配置消融研究证实，大部分性能提升归因于纳入MODIS衍生的NDVI，而非仅归因于模型选择。预测误差因作物而异，主要粮食作物（水稻、小麦、玉米、甘蔗、绿豆）的MAPE低于10%，而若干低产量作物（大豆、大蒜、菽麻、烟草、马铃薯）的MAPE则远超80%。本文还记录了两项重要的数据质量发现——产量与单产之间近乎完美的代数关系，以及2020年结构性的行政报告缺口——并在结尾提出了未来研究方向。