使用集成的光学和雷达遥感与机器学习在关键现象学阶段进行小麦产量预测

科学领域:

• 农业科学 农业科学
• 遥感 遥感 遥感 遥感
• 机器学习 机器学习

背景情况:

• 预测小麦产量对于全球粮食安全和农业管理至关重要.
• 像遥感和机器学习这样的先进技术提供了改进的预测能力.

研究的目的:

• 使用遥感衍生的土壤和植被指数,准确估计小麦产量.
• 为了在机器学习模型中比较 Sentinel-1 SAR 数据与 Sentinel-2 光学指数集成的预测性能.

主要方法:

• 利用了 189 个研究点的 Tillering 和 Anthesis 阶段的 Sentinel-2 图像 (10m 分辨率).
• 包含了25个变量,包括光学指数 (NDVI,SAVI,MSAVI2) 和地形因素.
• 采用多重线性回归 (MLR),支持向量机 (SVM) 和随机森林 (RF) 模型,70%的培训和30%的测试数据.

主要成果:

• 使用Anthesis阶段数据的随机森林 (RF) 模型实现了0.92 (培训) 和0.90 (测试) 的R2.
• 将Sentinel-1 SAR数据与RF数据集成,略有改善了训练RMSE,但增加了RMSE测试.
• 光学土壤和植被指数被确定为主要预测指标,优于SAR数据.

结论:

• 卫星 Sentinel-2 的遥感数据,特别是来自Anthesis阶段的光学指数,有效地预测小麦产量.
• 随机森林模型证明了小麦产量预测的高准确性.
• 使用这种方法,可以在收获前大约50天生成可靠的小麦产量预测.