使用气候记录,卫星图像时间序列和机器学习

此日给众人带来一篇操纵天色纪录，卫星图象工夫序列和机械研习法子举办小麦估产的探索。01探索靠山

收缩澳大利亚本质和潜在小麦单产之间的差异关于知足寰球陆续增加的食物须要格外首要。断定产量差异是实行这一目方向须要环节。即便做物成长模子格外恰当量化潜在产量，但由于参数化所需的数据量硕大，因而它们无奈供给确切的大范围本质产量预算。

02探索体例做家首先索取了一组工夫NDVI目标，以增添16天的合成数据，进而操纵不同的机械研习技能展望小麦的本质产量。其次，做家练习了九种根底算法，并仰赖交错考证来优化其超参数。做家还测试了两个合奏以坚硬根底研习者的揣摸。操纵交错考证评价悉数算法（根底研习者和集成体）的各自功能，并与两种基准法子举办对照。操纵最确切的算法，做家断定了消息最丰裕的展望变量，并在空间上展望了澳大利亚年成长节令的小麦单产。为了进前进一步评价，做家将所选算法为每个SA2展望的平衡产量与统计局供给的预算值举办了对照。着末一步需求制做小麦舆图，以覆盖未成就小麦的地区。03探索成效在9个根底和2个增添的研习器中，具备径向基函数的援手向量回归成为仅有的最好研习器（在像素级其余均方根过失为0.55tha-1，R2为0.77）。在寰宇界限内，该模子解说了各个统计单元调查到的73％的产质变异性。基于峰值归一化植被指数（NDVI）和成就指数的基准法子在很大水平上获利于机械研习回归模子（R20.46）。天色变量（比如最高温度和积聚降雨）为16天NDVI工夫序列供给了更多消息，由于它们显着抬高了产量展望。在着花期及着花期先后调查到的变量具备格外高的展望手腕，而且在灌浆经过中从数据中获患了更多消息。咱们进一步声明，即便悉数模子都对减小练习集巨细敏锐，但关于块田（像素）的数据集，绝大多半模子都没有到达饱和。这声明额外的练习数据大概会进一步抬高模子的技能。咱们揣摸，要使R2到达0.7，最好的单个模子需求从75块田（像素）调查。

图1.小麦单产展望的首要变量。前五个变量中的四个（NDVI14/09；NDVI29/08；NDVI30/09；和峰值）产生在全面莳植地区的最好着花期。

图2.年澳大利亚小麦的调查产量与展望产量之间的一致性。展望产量解说了调查到的产质变异的70％，RMSE为0.59tha-1。

图3.年澳大利亚寰宇小麦单产的空间散布。

04探索意义合用于天色和卫星图象工夫序列的机械研习回归法子能够在像素和国度界限内实行多年来靠得住的农做物产量监测。得出的单产揣摸值知足绘制单产差异和确订单产差异hotspots的确切性请求，农业探索人员和关照能够将其做为进一步处事的方针。

全文赏玩：

ElisaKamir,Fran?oisWaldner,ZviHochman,EstimatingwheatyieldsinAustraliausingclimaterecords,satelliteimagetimeseriesandmachinelearningmethods,ISPRSJournalofPhotogrammetryandRemoteSensing,Volume,,Pages-,ISSN-,

转载请注明：http://www.abuoumao.com/hyls/913.html