利用机器学习融合Sentinel-1、Sentinel-2与气候数据以估算作物物候的新方法
计算机视觉与模式识别
2025-05-13 v2
摘要
作物物候描述了作物从种植到收获的生理发育阶段，这对于决策者规划和调整农业管理策略是有价值的信息。在大地球观测数据无处不在的时代，人们已经尝试利用遥感（RS）和高分辨率气象数据来准确检测作物物候。然而，大多数研究侧重于大尺度的物候预测，或者开发的方法不足以帮助作物建模社区利用 Sentinel-1 和 Sentinel-2 数据，并将其与高分辨率气候数据融合，且缺乏一个新颖的框架。为此，我们训练了一个机器学习（ML）LightGBM 模型，以 20 m 的空间尺度预测德国八种主要作物的 13 个物候阶段。观测到的物候数据取自 2017 年至 2021 年间德国国家物候网络（德国气象局，DWD）。我们提出了详尽的特征选择分析，以寻找检测物候阶段的遥感与气候数据的最佳组合。在国家尺度上，预测的物候期在所有物候阶段和作物上平均取得了 R2 > 0.43 的合理精度和 6 天的低平均绝对误差。模型预测的时空分析证明了其在德国不同空间和时间背景下的可迁移性。结果表明，将雷达传感器与气候数据相结合，在众多实际应用中表现出极具前景的性能。此外，这些改进有望为作物模型校准和评估生成高价值输入，促进明智的农业决策，并有助于可持续粮食生产以满足日益增长的全球粮食需求。
引用
@article{arxiv.2409.00020,
title = {A novel fusion of Sentinel-1 and Sentinel-2 with climate data for crop phenology estimation using Machine Learning},
author = {Shahab Aldin Shojaeezadeh and Abdelrazek Elnashar and Tobias Karl David Weber},
journal= {arXiv preprint arXiv:2409.00020},
year = {2025}
}