利用Landsat多光谱数据和新型集成学习技术估计突尼达的橄榄产量
信号处理
2025-06-10 v1 机器学习
摘要
橄榄生产是地中海气候中重要的树木作物。然而，由于气候变化，橄榄产量存在显著波动。 accurately estimating yield using remote sensing and machine learning remains a complex challenge. 本研究开发了一个针对突尼达凯鲁亚恩和索斯省的橄榄产量估计的精简管线。我们从Landsat-8 OLI 和 Landsat-9 OLI-2卫星影像中提取了多光谱反射率波段、植被指数，以及数字高程模型数据。这些空间特征与地面田野调查数据结合，形成结构化的表格数据集。随后，我们开发了一个基于AutoGluon实现的自动化集成学习框架，用于训练和评估多个机器学习模型，通过堆叠选择最优组合，并使用五折交叉验证生成稳健的产量预测。结果表明，两种传感器都表现出良好的预测性能，Landsat-8 OLI的R2为0.8635，RMSE为1.17吨/公顷，Landsat-9 OLI-2的R2为0.8378，RMSE为1.32吨/公顷。该研究表明了一种可扩展、高性价比且准确的橄榄产量估计方法，具有广泛适用于全球不同农业地区的潜力。
引用
@article{arxiv.2506.06309,
title = {Leveraging Novel Ensemble Learning Techniques and Landsat Multispectral Data for Estimating Olive Yields in Tunisia},
author = {Mohamed Kefi and Tien Dat Pham and Thin Nguyen and Mark G. Tjoelker and Viola Devasirvatham and Kenichi Kashiwagi},
journal= {arXiv preprint arXiv:2506.06309},
year = {2025}
}