logo móvil
Contáctanos

Mapeo de Intensidad de Cultivos Usando Warping Temporal Dinámico y Aprendizaje Automático a partir de Datos Multi-Temporales de PlanetScope

Autores: Rafif, Raihan; Kusuma, Sandiaga Swahyu; Saringatin, Siti; Nanda, Giara Iman; Wicaksono, Pramaditya; Arjasakusuma, Sanjiwana

Idioma: Inglés

Editor: MDPI

Año: 2021

Descargar PDF

Acceso abierto

Artículo científico
2021

Mapeo de Intensidad de Cultivos Usando Warping Temporal Dinámico y Aprendizaje Automático a partir de Datos Multi-Temporales de PlanetScope


Categoría

Ciencias Medioambientales

Subcategoría

Ciencias medioambientales generales

Palabras clave

Tierra agrícola
Información sobre la intensidad de cultivos
Datos de PlanetScope
Mapeo
Algoritmos de aprendizaje automático
Banda NIR

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 1

Citaciones: Sin citaciones


Descripción
La información sobre la intensidad de los cultivos describe la productividad y la sostenibilidad de la tierra agrícola. Esta información se puede utilizar para determinar qué tierras agrícolas deben ser priorizadas para la intensificación o la protección. Los datos de series temporales de teledetección se pueden utilizar para derivar la información de intensidad de cultivos; sin embargo, esta aplicación es limitada al usar datos de resolución media a gruesa. Este estudio tiene como objetivo utilizar datos de la constelación Dove de PlanetScope de 3.7 m, que proporciona observaciones diarias, para mapear la información de intensidad de cultivos en el distrito de Magelang, Indonesia. Se utiliza un emparejamiento de histograma en dos etapas, antes y después de los compuestos mensuales de la mediana, para normalizar los datos de PlanetScope y generar datos mensuales para mapear la información de intensidad de cultivos. Se emplean varios métodos, incluyendo el Dynamic Time Warping Ponderado por Tiempo (TWDTW) y los algoritmos de aprendizaje automático: Random Forest (RF), Extremely Randomized Trees (ET) y Extreme Gradient Boosting (XGB) en este estudio, y los resultados se validan utilizando datos de encuestas de campo. Nuestros resultados muestran que XGB generó la mayor precisión general (OA) (95 +/- 4%), seguido por RF (92 +/- 5%), ET (87 +/- 6%) y TWDTW (81 +/- 8%), para mapear cuatro clases de intensidad de cultivos, siendo la banda del infrarrojo cercano (NIR) la variable más importante para identificar la intensidad de cultivos. Este estudio demuestra el potencial de los datos de PlanetScope para la producción de mapas de intensidad de cultivos a resoluciones detalladas.

Otros recursos que podrían interesarte

Temas Virtualpro