印度国家规模的农业层面、季节内作物识别

准确、及时且具农业层面的作物类型信息对于国家粮食安全、农业政策制定和经济规划至关重要，尤其是在像印度这样的农业重要国家。尽管遥感和机器学习已成为作物监控的重要工具，但现有方法常面临地理可扩展性有限、作物类型覆盖受限、混合像素和异构景观的复杂性，以及至关重要的准确季节内识别等挑战。这一研究提出了解决关键数据缺口的框架，用于生成针对印度国家规模的农业层面、季节内、多作物识别。我们的 methodology 利用 Sentinel-1 和 Sentinel-2 卫星影像的优势，集成国家规模的农场边界数据。该模型成功识别了 12 种主要作物（这些作物共占印度总种植面积的近 90%），在冬季作物中与印度第 2023-2024 年作物普查达到 94% 的一致性，在雨季作物中达到 75%。我们的 approach 包含自动季节检测算法，用于估算作物播种和收获时间。这使得在生长季节初期两月即可可靠地进行作物识别，并促进严格的季节内性能评估。此外，我们构建了高度可扩展的推理管道，形成据我们了解的是首个面向印度全国、季节内、农业层面的作物类型数据产品。该系统的有效性和可扩展性通过对国家农业统计数据的稳健验证得以展示，展示了其为印度全国变革性农业监测和管理提供可操作、数据驱动洞察力的潜力。