学习以见更多：用于精准农业的无人机引导卫星图像超分辨率
计算机视觉与模式识别
2025-05-29 v1 人工智能
机器学习
摘要
无人机系统（UAS）和卫星是精准农业的关键数据源，但各自都存在权衡。卫星数据提供广泛的空间、时间和光谱覆盖，但缺乏许多精准农业应用所需的分辨率；而 UAS 提供高空间细节，但受限于覆盖范围和成本，特别是对于高光谱数据。本研究提出了一种利用超分辨率方法融合卫星和 UAS 图像的新框架。通过整合空间、光谱和时间域的数据，我们以具有成本效益的方式利用了两个平台的优势。我们使用覆盖作物生物量和氮（N）的估算作为案例研究来评估我们的方法。通过将 UAS RGB 数据在光谱上扩展到植被红边和近红外区域，我们生成了高分辨率的 Sentinel-2 图像，并分别将生物量和 N 估算精度提高了 18% 和 31%。我们的结果表明，只需从部分田块和时间点收集 UAS 数据。农民随后可以：1）增强 UAS RGB 图像的光谱细节；2）利用卫星数据提高空间分辨率；3）以卫星飞行频率在空间上和整个生长季中扩展这些增强效果。我们基于 SRCNN 的光谱扩展模型在上下切萨皮克湾地区的其他种植系统上展现出良好的模型可迁移性前景。此外，即使在没有无云卫星数据的情况下，仅依赖 UAS RGB 输入，它仍然有效。空间扩展模型比基于原始 UAS RGB 图像构建的模型产生了更好的生物量和 N 预测。一旦使用目标 UAS RGB 数据进行训练，空间扩展模型就允许农民停止重复的 UAS 飞行。虽然我们引入了超分辨率的进展，但核心贡献是一个适用于农场经济且可扩展的轻量级系统。
引用
@article{arxiv.2505.21746,
title = {Learning to See More: UAS-Guided Super-Resolution of Satellite Imagery for Precision Agriculture},
author = {Arif Masrur and Peder A. Olsen and Paul R. Adler and Carlan Jackson and Matthew W. Myers and Nathan Sedghi and Ray R. Weil},
journal= {arXiv preprint arXiv:2505.21746},
year = {2025}
}