在巴基斯坦使用基于对象的随机森林和多源卫星图像进行全国规模的果园映射和产量估计

科学领域:

• 农业遥感 农业遥感
• 地理空间分析的研究.
• 粮食安全监测 粮食安全监测

背景情况:

• 巴基斯坦缺乏水果园的综合地理空间数据,这阻碍了精准园艺和粮食安全的努力.
• 现有的遥感方法在国家和地方一级难以准确地划分和估计产量.

研究的目的:

• 开发和验证一个全国范围的基于对象的随机森林 (RF) 框架,用于果园划分和产量估计.
• 整合多时间的Sentinel-2和高分辨率的巴基斯坦遥感卫星-1 (PRSS-1) 数据,以提高准确性.
• 建立一个可扩展和可转移的果园绘图和产量预测方法.

主要方法:

• 使用谷歌地球引擎 (GEE) 来处理多时的哨兵-2图像.
• 实现了基于对象的随机森林 (RF) 分类器用于果园划分,将其性能与支持矢量机器和梯度增强决策树进行比较.
• 集成的射频与基于对象的图像分析 (OBIA) 使用PRSS-1数据来提高边界精度.
• 开发了基于回归的模型,用于使用植被指数聚合物的产量估计.

主要成果:

• 射频分类器在Sentinel-2数据上取得了最高的准确性 (OA = 79.0%, κ = 0.78),明显超过其他分类器.
• 在PRSS-1数据上将RF与OBIA集成,进一步提高了准确性 (OA=92.6%, κ=0.89) 和边界精度 (IoU从0.71增加到0.86).
• 平均和中位数植被指数聚合产生了最稳定的产量预测 (R2 = 0.77-0.79),与极端值模型相比,误差明显较低.

结论:

• 开发的多传感器框架为巴基斯坦的果园绘图和产量预测提供了一个可扩展,可转移和操作可行的解决方案.
• 这种方法证明了国家卫星资产对粮食安全监测的战略价值,特别是在数据稀缺的地区.
• 该研究建立了一个强大的方法论,用于创建精密园艺和农业资源管理的必要地理空间库存.