Zenodo (CERN European Organization for Nuclear Research)·10月5日 · 周一论文农业遥感与作物表型阅读 0
Comprehensive remote sensing and machine learning framework for multi-regional rice yield forecasting under hydroclimatic variability in Sahelian Niger
Battula Vijaya Saradhi Halarou Saidou Souley
论文解读
72接近精选线
速览
结合遥感植被指数与机器学习，预测尼日尔萨赫勒四地区2010–2025年水稻产量。
方法
Landsat NDVI/EVI 加气象土壤变量，GEE与Python处理，比较
发现
NDVI/EVI与产量仅弱相关，模型精度区域差异大，植被指数呈明显季节与年际波动。
机会点
可引入时序深度学习与迁移学习，解决跨区域泛化差及植被指数解释力弱的问题。
影响力12
信息增量21
专业深度17
信源权威13
时效性9
基于Landsat植被指数与四种机器学习模型的多区域水稻产量预测研究，方法扎实、数据跨度长，但属区域性学术成果，对国内农业信息化有方法借鉴价值。
原文摘要
在萨赫勒地区，有效预测水稻产量对于改善农业规划和增强气候变化适应能力至关重要，因为该地区的生产在很大程度上受到水文气候变率的制约。本研究开发了一个集成框架，将遥感分析与机器学习相结合，以评估尼日尔尼亚美、多索、蒂拉贝里和迪法在2010—2025年期间水稻产量的变异性。研究将基于Landsat的归一化植被指数（NDVI）和增强型植被指数（EVI）与蒸散发、降水、温度、湿度、太阳辐射、土壤水分、耕地面积、年份和季节等参数相结合。利用Google Earth Engine和Python对数据集进行了处理和协调。随后，针对每个地区分别评估了四种回归算法：随机森林（RF）、k近邻（KNN）、支持向量回归（SVR）和XGBoost（XGB）。相关分析显示，水稻产量与NDVI（r = 0.27）和EVI（r = 0.14）之间存在弱正相关，而NDVI与EVI之间则观察到强相关（r = 0.80）。植被指数表现出明显的季节性和年际变异性，通常在湿季呈现较高值。模型性能在不同地区之间差异显著。