基于机器学习的收获日期检测和预测使用SAR数据用于沃伊沃迪纳地区 (塞尔维亚)
Gordan Mimić1, Amit Kumar Mishra2,3, Miljana Marković1
1BioSense Institute, University of Novi Sad, 21000 Novi Sad, Serbia.
Sensors (Basel, Switzerland)
|April 12, 2025
概括
机器学习使用Sentinel-1卫星数据准确预测作物收获日期. 这有助于农业物流和产量预测,通过分析C频合成光圈雷达 (SAR) 图像来改善农场管理.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 数据科学数据科学数据科学
背景情况:
- 准确的作物收获日期信息对于农业物流,机械规划和产量预测至关重要.
- 机器学习 (ML) 提供了自动化收获日期确定和预测的潜力.
研究的目的:
- 使用ML技术确定和预测冬季小麦,玉米和大豆的收获日期.
- 评估来自Sentinel-1的C波段合成光圈雷达 (SAR) 数据对收获监测的有效性.
主要方法:
- 利用来自谷歌地球引擎的Sentinel-1 SAR数据 (VH和VV两极化),用于沃伊沃迪纳地区 (2017-2020年).
- 采用集群技术 (PCA,MDS,t-SNE) 进行数据可视化和支持矢量机 (SVM) 和多层感知器 (MLP) 进行收获检测.
- 开发了使用随机森林 (RF) 和长短期记忆 (LSTM) 网络进行收获日期预测的回归模型.
主要成果:
- 农作物类型显著影响了收获和未收获数据的分离性.
- SVM实现了高分类准确度:小麦的79.65%,玉米的83.41%,大豆的95.97%.
- 在收获日期预测方面,LSTM网络的性能优于RF,在所有作物中,R2为0.72,MAE为6.80天,RMSE为9.25天.
结论:
- 应用于Sentinel-1SAR数据的ML提供了一个可行的方法来确定和预测作物收获日期.
- 该研究表明,遥感数据对于提高农业管理实践的有用性.
- 在农业中,LSTM网络显示出准确,数据驱动的收获日期预测的前景.
