用机器学习算法评估小麦存放评估的不同光谱指数的评估
Shikha Sharda1, Sumit Kumar1, Raj Setia2
1Punjab Remote Sensing Centre, Ludhiana, Punjab, India.
Scientific reports
|July 2, 2025
概括
使用Sentinel-2数据和机器学习进行准确的小麦寄存检测对印度农业至关重要. 随机森林使用SSI和GDVI等光谱指数实现了89.2%的准确性,有助于产量损失评估.
科学领域:
- 农业遥感 农业遥感
- 机器学习在农业中的应用
- 农作物监测和管理
背景情况:
- 小麦存放对谷物产量和收获效率产生重大影响,需要精确的评估方法.
- 现有的关于小麦存放的机器学习研究缺乏全面的评估,特别是对于印度的农业条件.
- 及时发现小麦存放对于减轻经济损失和改进作物管理策略至关重要.
研究的目的:
- 系统地评估机器学习算法用于检测小麦存储使用多时间的Sentinel-2数据在印度农田.
- 评估随机森林 (RF),决策树 (DT) 和支持矢量机 (SVM) 在小麦分类和存储检测方面的性能.
- 确定最佳的光谱指数和特征,以区分装入小麦和非装入小麦.
主要方法:
- 在Punjab的Ludhiana收集了健康和存储的小麦区的地面控制点.
- 分析了临时作物现象学,并计算了2022年11月至2023年4月的正常化差异植被指数 (NDVI).
- 实施了RF,DT和SVM算法,并评估了八个光谱指数 (包括SSI和GDVI) 用于使用Sentinel-2数据进行寄存检测.
主要成果:
- 随机森林 (RF) 在小麦面积提取和分类准确度方面表现优于决策树 (DT) 和支持矢量机 (SVM).
- 光谱总量指数 (SSI) 和通用差异植被指数 (GDVI) 被确定为区分仓储小麦和非仓储小麦的关键光谱指数.
- 使用SSI和GDVI的RF模型,在小麦存储评估中实现了最高的整体准确率89.2%.
结论:
- 将Sentinel-2衍生SSI和GDVI与随机森林模型相结合,为空间时间小麦存放评估提供了一种有效的方法.
- 这种方法可以支持制定决策支持系统,以准确估计印度农业的作物产量损失.
- 该研究强调了先进的遥感和机器学习技术在精准农业和作物保险方面的潜力.
