使用高分辨率卫星图像和机器学习改进牧场生物质建模
Michael Gbenga Ogungbuyi1, Juan Guerschman2, Andrew M Fischer3
1Tasmanian Institute of Agriculture, University of Tasmania, Launceston, TAS, 7248, Australia.
Journal of environmental management
|March 13, 2024
概括
机器学习 (ML) 模型用于牧场生物量估计,随着更多的培训数据的增加而得到改善. 结合Sentinel-2和Planet Lab SuperDove卫星数据,提高了准确性,克服了实时生物质预测的云层限制.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 机器学习 机器学习
背景情况:
- 准确的牧场生物量量化对于畜牧管理至关重要.
- 以前用于生物质估计的机器学习 (ML) 模型因培训数据的可用性和质量而受到限制.
- 卫星图像提供了一个可扩展的解决方案,但面临着诸如云覆盖和时间分辨率等挑战.
研究的目的:
- 用卫星图像提高基于ML的牧场生物质量量化的准确性.
- 解决卫星数据的局限性,例如云覆盖和时间分辨率,用于实时生物质预测.
- 用协调的卫星数据评估一种新的ML框架SPECTRA-FOR的性能.
主要方法:
- 收集了来自澳大利亚十个畜牧场的牧场生物质现场数据.
- 利用了哨兵-2卫星数据和行星实验室超级的图像.
- 开发并应用了SPECTRA-FOR (使用随机森林算法的组合技术进行特征优化和检索的光谱牧场估计) ML范式.
- 来自Sentinel-2和SuperDove的协调光谱数据,包括合成SuperDove (SSD) 数据.
主要成果:
- 使用 Sentinel-2 数据的 SPECTRA-FOR 模型实现了 R2 = 0.87,RMSE = 439 公斤 DM/ha,MAE = 255 公斤 DM/ha.
- 整合合成超级 (SSD) 数据改善了模型性能,R2 = 0.92,RMSE = 346 公斤DM/ha,MAE = 208 公斤DM/ha.
- 证明了从多个卫星来源协调数据可以提高生物质估计的准确性,并克服时间差距.
结论:
- 增加的培训数据和协调的多源卫星图像显著提高了牧场生物量量化ML模型的性能.
- 该框架有效地整合了来自Sentinel-2和SuperDove的数据,以提供准确的实时生物质估计.
- 强大的数据挖掘,图像协调和模型验证对于可靠的实时牧场生物质建模至关重要.
