利用高分辨率卫星影像建模干旱化对作物生产的影响

精心整理的数据集的可用性推动了机器学习（ML）模型的成功。尽管用于农业的地球观测数据获取增加，但缺乏整理好的带标注数据集，这限制了其在农业遥感（RS）中训练 ML 模型的潜力。为此，我们引入了首个此类数据集 SICKLE，其包含来自 3 颗不同卫星的不同空间分辨率的时间序列影像，并标注了印度泰米尔纳德邦高韦里三角洲地区水稻种植的多个关键种植参数。该数据集包含来自三角洲 4 个地区 388 块唯一地块的 2,398 个按季节划分的样本。数据集涵盖 2018 年 1 月至 2021 年 3 月期间的 multispectral、thermal 和 microwave 数据。水稻样本标注了 4 个关键种植参数，即播种日期、移栽日期、收获日期和作物产量。这是首批将生长季（使用播种和收获日期）作为数据集一部分的研究之一。我们还提出了一种产量预测策略，使用基于观测生长季生成的时间序列数据以及该地区由泰米尔纳德农业大学获得的标准季节信息。由此带来的性能提升凸显了利用与特定地区农民标准做法一致的领域知识的 ML 技术的影响。我们在 3 项独立任务上对该数据集进行基准测试，即作物类型、物候日期（播种、移栽、收获）和产量预测，并开发了在真实环境中预测关键作物参数的端到端框架。