协同的上下文信息和个体样本作为平均训练方法:麦头燃烧映射

科学领域:

• 农业科学 农业科学
• 环境科学 环境科学
• 遥感 遥感 遥感 遥感

背景情况:

• 燃烧大米是印度空气污染的主要来源,对全球作物残留物燃烧 (CBR) 作出了重大贡献.
• 这种做法会释放大量的气溶和污染物,恶化空气质量和公共卫生.
• 由于异质性和数据噪声,现有的方法难以在现场层面进行识别.

研究的目的:

• 为了提高在田间水平上燃烧的麦的识别准确度.
• 整合先进的数据分析技术,以更好地分类燃烧的农业用地.
• 为了应对诸如噪音像素和不同收获技术等挑战,在碎燃烧检测中.

主要方法:

• 利用了PlanetScope和Sentinel-2卫星图像的光谱和时间数据.
• 整合了上下文可能的C-Means (PCM-S) 模型与个人样本作为平均值 (ISM) 培训方法.
• 整合了燃烧前和燃烧后的时间数据,以完善分类和处理现场异质性.

主要成果:

• 成功地绘制了27.07平方米的地图. 帕蒂亚拉地区十个日期的千米长的烧毁的田.
• 综合模型实现了高分类准确性,F分数超过0.9.
• 展示了最小的类内变异性和燃烧和未燃烧的田间之间的明确区别.

结论:

• 尽管有管理努力,但在印度,大米的燃烧仍然是一个重大问题.
• 开发的方法提供了一种可靠的方法,用于准确地在现场识别燃烧事件.
• 需要采取紧急和有效的措施,以减轻燃烧的环境和健康影响.