在高作物多样性地区使用遥感监测双重作物范围

科学领域:

• 农业遥感 农业遥感
• 机器学习在农业中的应用.
• 环境资源管理环境资源管理

背景情况:

• 多种作物系统显著影响粮食安全和资源利用,但缺乏准确的数据,特别是在不同的农业地区.
• 评估作物强度的现有方法在作物多样性较高的地区经常失败,导致对双重作物的高估.
• 关于作物种植实践的可靠的实地规模数据对于明智的土地和水资源管理决策至关重要.

研究的目的:

• 开发和应用一种可扩展的,低成本的方法,使用卫星图像在现场范围内识别双重作物.
• 评估机器学习模型与传统方法相比在不同农业环境中的有效性.
• 为监测作物强度提供准确的数据,并为与粮食生产和资源使用相关的政策提供信息.

主要方法:

• 利用了Landsat卫星图像,并开发了一种将机器学习与专家标签相结合的过程,用于作物强度评估.
• 评估了多个机器学习模型,包括时间序列图像分类和深度学习,在专家识别的数据上进行训练.
• 在美国华盛顿州的一个多样化的农业地区应用了开发的方法,以测量双重作物的程度.

主要成果:

• 使用植被指数的传统基于规则的方法在不同的作物地区表现不佳,高估了双重作物.
• 机器学习模型,特别是深度学习方法,准确地捕捉了细微差别,并实现了高准确度 (总体为96-99%,双种类的生产者准确度为83-93%).
• 专家标签过程证明了远程传感应用的有效性和可扩展性,验证了模型输出.

结论:

• 开发的机器学习方法为复杂农业环境中的双重作物绘制提供了强大而准确的解决方案.
• 该方法为长期监测作物强度提供了有价值的高分辨率数据,并支持基于证据的政策决策.
• 该方法的低成本,可扩展性使其适用于农业研究和管理的广泛应用.