Py学习  »  机器学习算法

利用多源数据、随机森林和深度学习算法对全国尺度的灌溉和雨养农田进行精细刻画

GEE遥感训练营 • 1 年前 • 403 次点击  


目:Fine-scale characterization of irrigated and rainfed croplands at national scale using multi-source data, random forest, and deep learning algorithms

期刊:ISPRS Journal of Photogrammetry and Remote Sensing

第一作者:Kudzai S. Mpakairi

发表单位:University of the Western Cape

发表日期:2023年




1. 摘要 

研究背景: 在农业领域,对灌溉和雨养农田进行准确的细粒度特征化对于农业管理和决策至关重要。然而,传统的遥感方法在全国范围内的农田特征化方面存在一些困难,如数据来源有限、精度不高等。因此,本研究旨在利用多源数据、随机森林和深度学习算法,在研究区范围内对灌溉和雨养农田进行细粒度特征化。

拟解决的科学问题:本研究旨在解决以下科学问题:

1. 如何利用多源数据、随机森林和深度学习算法对全国范围内的灌溉和雨养农田进行细粒度特征化。

2. 如何评估所提出方法的准确性和可靠性。

创新点:该研究的创新点主要体现在以下几个方面:

利用多源数据、随机森林和深度学习算法对全国范围内的灌溉和雨养农田进行细粒度特征化。这种方法能够准确地划分不同类型的农田,并提供对农田特征的详细描述。

利用地面调查数据进行模型的验证和校正,提高了特征化结果的准确性和可靠性。通过准确性和可靠性评估,比较了所提出方法和传统方法的差异,证明了所提出方法的优越性。

    



2. 研究方法 

1. 利用多源数据,如卫星遥感数据和地面观测数据,获取全国范围内的遥感信息。

2. 构建基于随机森林和深度学习算法的模型,对灌溉和雨养农田进行细粒度特征化。随机森林模型对整个研究区域进行分类,掩盖非农田将随机森林生成的耕地重新分类为雨养农田和灌溉农田,并使用深度学习算法进行,潜在蒸腾量(ET)被纳入研究以增强灌溉农田的特征,因为与雨养农田相比,它们使用了更多的水分

3. 利用地面调查数据进行模型的验证和校正。

4. 进行准确性和可靠性评估,比较所提出方法和传统方法的差异。为了确定雨养农田和灌溉农田

总结了流程图,显示了研究区域灌溉和雨养农田的过程和步骤




3. 研究结果 

该研究旨在提出一种利用多源数据和机器学习算法绘制南非灌溉和雨养农田地图的综合方法。用于土地覆盖分类的随机森林模型显示出较高的准确性,与类似的研究相当,并且通过包含海拔等辅助数据进行了优化。对随机森林输出的深度学习神经网络模型的利用促进了雨养农田和灌溉农田之间的制图和区分,展示了这种方法在国家尺度测绘活动中的潜力。人们发现,纳入红边和红色光谱带以及潜在蒸散量对于提高 DNN 模型的性能非常重要。这项研究的结果对于解决南非的粮食不安全问题具有重要意义,因为它提供了有关灌溉和雨养农田范围和分布的基线数据和信息,可以为农业规划和资源分配提供信息。
此外,这项研究的结果可以在当前绘图方法成本高昂的其他广泛环境中复制。未来的研究可以通过采用时间序列分析结合更多辅助数据来扩展这些发现,以提高农田绘图的准确性,特别是在具有相似光谱特征的区域。总体而言,这项研究凸显了机器学习算法和多源数据在农田测绘方面的潜力,对粮食安全和可持续发展具有重要影响。

南非地图和整个研究区域的主要农业区域

显示由南非随机森林模型产生的不同土地覆盖类别的近端分类输出的选定区域

利用随机森林模型对土地覆盖进行分类的光谱波段和指数的可变重要性

利用随机森林模型分类的所有土地覆盖类型的总体精度和每类分类精度

根据研究区域的随机森林模型得出的不同土地覆盖类别的范围

(a)在DNN模型和模型训练、验证和测试中使用的训练、验证和测试数据集的接收者工作曲线下面积(AUC),(b)谱带和指数的变量重要性得分使用DNN分类

利用深度DNN模型对灌溉和雨养农田的总体和每类分类精度进行分类

展示南非灌溉和雨养农田DNN模型的分类输出

利用深度神经网络(DNN)模型分类的南方灌溉和雨养农田的全国尺度图

来自深度神经网络(DNN)模型的省级统计数据显示了南非灌溉和雨养农田的范围

    



4. 结果与讨论 

通过利用多源数据、随机森林和深度学习算法,本研究成功实现了对全国范围内的灌溉和雨养农田的细粒度特征化。研究结果表明,所提出的方法能够准确地划分灌溉和雨养农田,并提供了对农田特征的详细描述。与传统方法相比,所提出的方法具有更高的准确性和可靠性。

    

参考文献:S. K M ,Timothy D ,Mbulisi S , et al.Fine-scale characterization of irrigated and rainfed croplands at national scale using multi-source data, random forest, and deep learning algorithms[J].ISPRS Journal of Photogrammetry and Remote Sensing,2023,204117-130.

- 往期回顾 -
1.GEE 去云专题与数据下载详解
2.基于机器学习和Google Earth Engine的生态多样性景观中高分辨率森林冠层覆盖估算:有效性和可靠性评估
3.GEE+ChatGPT高效实战特训营|全新升级


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/165492
 
403 次点击