利用经辐射传输模拟训练的机器学习方法结合 Sentinel-2 与 Landsat 8 估算作物总初级生产力
计算机视觉与模式识别
2020-12-23 v1
摘要
近几十年来，卫星遥感已广泛用于农业应用，{既用于评估植被状况，也用于随后的产量预测。}现有的基于遥感估算总初级生产力（GPP）的方法——GPP 是指示作物光合功能与胁迫的重要变量——通常依赖经验或半经验方法，往往过度简化光合机制。在这项工作中，我们利用机理性光合作用建模和卫星数据可用性方面的所有并行进展，以实现作物生产力的先进监测。具体而言，我们将基于过程的建模与土壤-冠层能量平衡辐射传输模型（SCOPE）同 Sentinel-2 {和 Landsat 8} 光学遥感数据以及机器学习方法相结合，以估算作物 GPP。我们的模型成功估算了多种 C3 作物类型和环境条件下的 GPP，尽管未使用来自相应站点的任何局部信息。这凸显了其在当前地球观测云计算平台帮助下，从新型卫星传感器在全球尺度上绘制作物生产力图的潜力。
引用
@article{arxiv.2012.12101,
title = {Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations},
author = {Aleksandra Wolanin and Gustau Camps-Valls and Luis Gómez-Chova and Gonzalo Mateo-García and Christiaan van der Tol and Yongguang Zhang and Luis Guanter},
journal= {arXiv preprint arXiv:2012.12101},
year = {2020}
}