2、基于机器学习算法的自动化季节性作物映射与面积估计框架

基于机器学习算法的自动化季节性作物映射与面积估计框架

1. 引言

近年来，农业系统受到洪水和干旱等自然灾害的不利影响而退化，这极大地影响了一个国家的粮食供应和经济发展。印度人口众多，依赖农业，但由于地形和气候的多样性，农业活动面临诸多挑战。未来，随着人口的增加，粮食生产需求将上升，而城市化、土地退化和气候变化对农业生产构成严重威胁。因此，制定农业资源可持续发展和管理战略十分必要。

有效的作物映射对农业利益相关者来说是一项巨大挑战，因为作物模式多样且缺乏明确的田间边界。然而，作物映射对于监测农业用地和计算作物面积的空间分布至关重要。作物保险是农业规划的必要条件，而作物保险估计需要微观层面的作物面积及其产量等信息。传统的实地作物测量方法效率低下、不经济且结果不一致。因此，开发一种能在短时间内以较少人力准确绘制不同类型季节性作物的有效方法至关重要。

自动化季节性作物映射对水资源和农业管理者的政策和决策过程至关重要。许多研究人员借助机器学习算法，利用卫星数据进行自动化季节性作物映射和面积估计。例如，Prins和Van Niekerk（2021）将LiDAR、Sentinel - 2和航空影像与机器学习算法相结合进行作物映射；Gallo等人（2023）通过集成3D卷积神经网络（CNN）和Sentinel - 2时间序列数据进行作物映射。将卫星数据和机器学习相结合是一种新兴技术，可高精度地绘制作物模式和估计面积。

遥感（RS）是利用电磁辐射作为接触媒介，定位地球表面特征并确定其物理特性的技术过程。传感器有助于目标识别的主要特性包括光谱、空间、时间和极化特征。在提取光谱信息之前，传感器在不同波长收集的地球表面数据应进行辐射和几何校正。RS分为光学和微波两类。光学RS中，传感