La detección del tipo de cultivo en temporada mediante la combinación de imágenes de Sentinel-1A y Sentinel-2 basada en el modelo CNN
Autores: Mao, Mingxiang; Zhao, Hongwei; Tang, Gula; Ren, Jianqiang
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
La detección del tipo de cultivo en temporada mediante la combinación de imágenes de Sentinel-1A y Sentinel-2 basada en el modelo CNN
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Mapas de tipos de cultivos
Monitoreo agrícola
Aplicaciones de toma de decisiones
Datos de teledetección
Algoritmo Dual-1DCNN
Entrenamiento de red
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
Se requieren mapas de tipos de cultivos en temporada para una variedad de aplicaciones de monitoreo agrícola y toma de decisiones. Cuanto antes se obtengan los mapas de tipos de cultivos de la temporada de crecimiento actual, más beneficioso resulta para la toma de decisiones y la gestión agrícola. Con la disponibilidad de una gran cantidad de datos de teledetección de alta resolución espacio-temporal, se espera que diferentes fuentes de datos aumenten la frecuencia de adquisición de datos, lo que puede proporcionar más información al principio de la temporada. Para explorar el potencial de integrar diferentes fuentes de datos, en este estudio se construyó un algoritmo Dual-1DCNN basado en el modelo CNN. Además, se utilizó un método de entrenamiento incremental para ajustar la red en cada fecha de adquisición de datos y obtener la mejor fecha de detección para cada tipo de cultivo al principio de la temporada. Se realizó un estudio de caso para la ciudad de Hengshui en China utilizando series temporales de Sentinel-1A (S1A) y Sentinel-2 (S2) obtenidas en 2019. Para verificar este método, se implementaron los métodos clásicos de máquina de vectores de soporte (SVM), bosque aleatorio (RF) y Mono-1DCNN. La entrada para SVM y RF fueron datos de S1A y S2, y la entrada para Mono-1DCNN fueron datos de S2. Los resultados demostraron lo siguiente: (1) Dual-1DCNN logró una precisión general superior al 85% en el momento más temprano; (2) los cuatro tipos de modelos lograron una alta precisión (F1 superiores al 90%) en el maíz de verano después de sembrar un mes más tarde; (3) para el algodón y los rizomas de ñame común, Dual-1DCNN tuvo el mejor rendimiento, con su F1 alcanzando el 85% dentro de los 2 meses posteriores a la siembra del algodón, 15 días, 20 días y 45 días antes que Mono-1DCNN, SVM y RF, respectivamente, y su extracción del rizoma de ñame común se logró 1-2 meses antes que otros métodos con una precisión aceptable. Estos resultados confirmaron que Dual-1DCNN ofrecía un potencial significativo en la detección de tipos de cultivos en temporada.
Descripción
Se requieren mapas de tipos de cultivos en temporada para una variedad de aplicaciones de monitoreo agrícola y toma de decisiones. Cuanto antes se obtengan los mapas de tipos de cultivos de la temporada de crecimiento actual, más beneficioso resulta para la toma de decisiones y la gestión agrícola. Con la disponibilidad de una gran cantidad de datos de teledetección de alta resolución espacio-temporal, se espera que diferentes fuentes de datos aumenten la frecuencia de adquisición de datos, lo que puede proporcionar más información al principio de la temporada. Para explorar el potencial de integrar diferentes fuentes de datos, en este estudio se construyó un algoritmo Dual-1DCNN basado en el modelo CNN. Además, se utilizó un método de entrenamiento incremental para ajustar la red en cada fecha de adquisición de datos y obtener la mejor fecha de detección para cada tipo de cultivo al principio de la temporada. Se realizó un estudio de caso para la ciudad de Hengshui en China utilizando series temporales de Sentinel-1A (S1A) y Sentinel-2 (S2) obtenidas en 2019. Para verificar este método, se implementaron los métodos clásicos de máquina de vectores de soporte (SVM), bosque aleatorio (RF) y Mono-1DCNN. La entrada para SVM y RF fueron datos de S1A y S2, y la entrada para Mono-1DCNN fueron datos de S2. Los resultados demostraron lo siguiente: (1) Dual-1DCNN logró una precisión general superior al 85% en el momento más temprano; (2) los cuatro tipos de modelos lograron una alta precisión (F1 superiores al 90%) en el maíz de verano después de sembrar un mes más tarde; (3) para el algodón y los rizomas de ñame común, Dual-1DCNN tuvo el mejor rendimiento, con su F1 alcanzando el 85% dentro de los 2 meses posteriores a la siembra del algodón, 15 días, 20 días y 45 días antes que Mono-1DCNN, SVM y RF, respectivamente, y su extracción del rizoma de ñame común se logró 1-2 meses antes que otros métodos con una precisión aceptable. Estos resultados confirmaron que Dual-1DCNN ofrecía un potencial significativo en la detección de tipos de cultivos en temporada.