遥感检测塑料杂的农田使用机器学习的时间方法:在番茄作物中的案例研究
Marlon F de Souza1, Rubens A C Lamparelli2, Murilo H S Oliveira2
1Center for Plasticulture Engineering (CEP), Center for Energy Planing (NIPE), Universidade Estadual de Campinas (UNICAMP), Campinas, 13083896, Brazil. marlonf@unicamp.br.
Environmental science and pollution research international
|October 5, 2024
概括
绘制农业塑料废弃物 (APW) 地图对于环境保护至关重要. 使用机器学习的新时间序列方法准确地识别了塑料化农田 (PMF),这对于废物管理规划至关重要.
科学领域:
- 环境科学 环境科学
- 遥感 遥感 遥感 遥感
- 农业科学 农业科学
背景情况:
- 农业塑料废物 (APW) 由于农村地区的塑料使用增加,越来越令人担忧.
- 缺乏关于APW位置和数量的数据,阻碍了有效的废物管理,并可能导致环境微塑料污染.
- 绘制塑料土农田 (PMF) 的地图是具有挑战性的,因为它们在大型农业景观中分散.
研究的目的:
- 评估一种精简的时间序列方法,用于绘制减少加工的番茄塑料化农田 (PMFs) 地图.
- 评估各种机器学习技术和特征的有效性,以准确识别PMF.
- 在拉丁美洲开发可靠的农业塑料废弃物 (APW) 地图绘制方法.
主要方法:
- 利用协调的Sentinel-2级-2A图像进行基于像素和基于对象的分类.
- 整合了特定的塑料指数,并比较了六个机器学习分类器.
- 采用时间序列方法与30天复合分析Sentinel-2数据.
主要成果:
- 使用基于像素的多层感知子 (MLP) 分类器实现了99.7%的整体准确性.
- 使用30天复合的3次序显著提高了准确性,并减少了背景混.
- 成功生成了拉丁美洲PMF的第一个地图,证明了可行的远程检测方法.
结论:
- 机器学习的简化时间序列方法提供了一种可靠的方法来绘制农业塑料化农田 (PMFs) 的地图.
- 这种方法有效地克服了诸如云层覆盖等挑战,为农业塑料废物 (APW) 管理提供了关键数据.
- 开发的PMF地图是促进塑料循环的基本步骤,并尽量减少该地区的环境退化.
