卫星遥感数据和机器学习方法的不断进步使各种空间和时间分辨率的作物产量估算成为可能。虽然更广泛比例(例如,州或县级)的产量映射已经变得很普遍,但更精细的比例(例如,田地或子田)的映射由于缺乏用于模型训练和评估的地面实况数据而受到限制。在这里,我们提出了一个名为分位数损失域对抗神经网络 (QDANN) 的尺度转移框架,该框架利用县级数据集中的知识来绘制子田级的作物产量。基于无监督域适应策略,QDANN 在标记的县级数据和未标记的子字段级数据上进行训练,对子字段级的产量信息没有要求。我们使用来自大约 100 万田野年观测的产量监控记录作为参考数据,评估了应用于美国玉米、大豆和冬小麦田的 Landsat 影像和 Gridmet 天气数据的建议方法。该模型与几种基于过程和基于机器学习的基准方法进行了比较,这些方法在模拟的产量记录或县级数据上进行训练。与地面产量指标相比,QDANN 估计的产量分别为 48 %(2.29 吨/公顷)、32 %(0.85 吨/公顷)和 39%(1.40 吨/公顷)。这些性能高于基准方法,并且几乎与在字段级数据上训练的模型一样好。当汇总到县级时,QDANN 实现的改进更为明显,玉米、大豆和冬小麦的 R2 评分 (RMSE) 分别提高到 78%(0.98 吨/公顷)、62%(0.37 吨/公顷)和 53%(1.00 吨/公顷)。 本研究表明,当无法获得精细尺度的产量信息时,所提出的规模转移框架可以作为子领域层面产量映射的可靠方法。自 2008 年以来,我们基于 QDANN 模型为美国主要农作物生产州生成并公开了 30 米的年产量图。
"点击查看英文标题和摘要"
相关知识
Applications of unmanned aerial vehicles remote sensing technology in landscape ecology
基于多源遥感信息的作物病虫害生境评价研究进展
Review of Remote Sensing Monitoring of Crop Pests and Diseases
Estimating the Spartina alterniflora fractional vegetation cover using high spatial resolution remote sensing in a coastal wetland
融合多源遥感数据的高分辨率城市植被覆盖度估算
Cotton pest monitoring based on Logistic algorithm and remote sensing image
城市植被遥感分类研究进展与展望
作物病虫害高光谱遥感进展与展望
2013–2022年福建漳江口互花米草分布无人机遥感数据集
基于卫星遥感数据的森林病虫害监测与评价
网址: 没有地面实况数据的子田级作物产量映射:比例转移框架,Remote Sensing of Environment https://m.huajiangbk.com/newsview405302.html
上一篇: 高速公路雾区行车智能引导技术研究 |
下一篇: CHIRPS |