追踪和分析Poyang湖水种植结构的时空变化,使用多模型融合方法与Sentinel-2多时间数据

科学领域:

• 农业遥感 农业遥感
• 地理空间分析是什么
• 机器学习在农业中的应用

背景情况:

• 准确的种植结构提取对于普阳湖地区的产量估计和水资源管理至关重要.
• 使用单个机器学习模型或复杂的融合模型的现有方法的准确性和效率较低.
• 需要一种高效准确的方法来分析水种植动态及其驱动因素.

研究的目的:

• 开发一个高效和简化的融合模型,用于从2018-2023年提取大米种植结构.
• 为了分析波阳湖地区大米种植的时空模式.
• 确定影响这些种植转变的关键社会经济驱动因素.

主要方法:

• 开发一种基于得分的新型融合模型,集成K-最近邻居 (KNN),随机森林 (RF),支持矢量机 (SVM) 和渐变增强决策树 (GBDT).
• 评估单个模型和拟议的融合模型,使用整体精度,卡帕系数,用户精度和映射精度等指标.
• 对大米种植结构的时空空间分析以及与社会经济因素的相关性.

主要成果:

• 与单个模型相比,基于评分的融合模型显著提高了分类准确性,将整体准确性提高了3.36%-9.16%.
• 时空空间分析显示,单一作物和再生大米的面积扩大,而双重作物大米面积收缩.
• 农村劳动力迁移和肥料价格上被确定为主要的社会经济驱动因素,有利于更少的劳动密集型大米种植系统.

结论:

• 拟议的基于评分的融合模型为精确的作物种植结构提取提供了一个新的和有效的框架.
• 波阳湖的种植模式的转变受到社会经济变化的重大影响.
• 这些发现支持该地区基于证据的水资源管理战略.