利用机器学习和深度学习方法集成多模态数据进行大规模农用地快速评价

题目：Rice crop growth monitoring with sentinel 1 SAR data using machine learning models in google earth engine cloud

期刊：Geoderma

第一作者：Liangdan Li

发表单位：华南农业大学

发表日期：2023年

1. 摘要

研究背景：快速、准确的农业用地评价为农业用地资源的监督和配置提供了必要的指导；它也有助于确保粮食安全。以往的工作主要是利用现场采样数据和基于因素的方法对县级土地质量进行评价。然而，由于其空间异质性，以及与数据采集相关的巨大时间和经济成本，通过传统的方法难以实现统一的、大规模的农业用地评价。因此需要开发新的方法来实现大规模快速的土地评估。

拟解决的科学问题：本研究的目的是确定：(1)在不同的耕作利用系统中，需要选择哪些输入变量进行农地评价，(2)哪个是农地评价的最优模态组合，(3)ML方法与DL方法的比较。

创新点：本研究的创新点在于将机器学习和深度学习方法应用于农业土地评估，并结合多模态数据进行综合分析。这种方法为大规模快速的土地评估提供了新的思路和技术手段，对于农业发展和土地利用规划具有重要意义。

2. 研究方法

研究采用了机器学习和深度学习方法，结合多种数据源，如遥感数据、地形数据和土壤数据。通过对这些数据进行整合和分析，研究人员建立了土地评估的模型，并实现了大规模快速的土地评估。

在本研究中实施的农业用地评价程序的示意图概述

3. 研究结果

基于2013年广东省农地质量实地调查结果，开发了一个简单、低成本、可扩展的大面积农地评估框架。使用 GEE 平台统一集成包括 RSI、ENVI 和 SEI 在内的多模态数据，以使用基于 RF 和基于 DNN 的模型预测农地质量。我们的结果表明，与结合单峰或双峰数据的模型相比，多峰变量的组合在农业土地评估方面表现更好。RS、ENV 和 SE 数据的集成在 RF 和 DNN 模型中捕获了超过 85% 的农地质量变化。与旱地系统相比，稻田系统捕获的信息更多。RF 模型提供了比 DNN 模型更稳健的估计。未来的研究应探索当前框架的应用，使用更准确的农作物种植面积数据，以及整合更多的模态数据，以提高更长时期和更大面积的农地质量估算模型的准确性。

广东省水田和旱地分布

（a、c）因素和（b、c）用于（a、b）稻田和（c、d）旱地系统中三种指标类型的相互作用检测结果

(a)水田和(b)干地系统中农业用地质量指数变化具有高（红色）、中（灰色）、低（蓝色）水平的解释变量的空间分布

比较由RF和DNN模型获得的农业土地质量估计值与测量的农业土地质量数据的散点图

稻田和旱地系统的RF和DNN模型的农业土地质量估计误差直方图

在（a-c）稻田和（d-f）旱地系统中，使用（b、e) RF和（c、f) DNN模型估算测量的农业土地品位（a、d）和农业土地质量的空间格局

4. 结果与讨论

研究结果表明，利用机器学习和深度学习方法，结合多模态数据，可以实现大规模快速的农业土地评估。这种方法不仅节约了时间和人力成本，还提高了评估的准确性和可靠性。

参考文献：Liangdan L ,Luo L ,Yiping P , et al.Integration of multimodal data for large-scale rapid agricultural land evaluation using machine learning and deep learning approaches[J].Geoderma,2023,439

- 往期回顾 -

1.GEE 去云专题与数据下载详解

2.冬季覆盖作物识别：一种基于遥感的新的和快速的数据生成方法框架

3.巴基斯坦高海拔地区城市热岛效应分析