Improving early season crop type mapping using machine learning algorithms with combined SAR and optical time series
Rajeev Ranjan Kumar · Jayanta Das · Jadhav Rajaram Anna 等 5 人
融合Sentinel-1 SAR与Sentinel-2光学时序，用集成机器学习实现印度早季作物类型高
GEE平台，RF与GBT集成学习，1141个地面样本，SAR-光学多时相数据。
GBT精度最高（总体93%，Kappa 0.90），SAR与光学结合显著优于单传感器。
可探索更早物候期、小样本作物（如芥菜、甘蔗）的SAR-光学特征优化与迁移学习。
该研究将SAR与光学时序数据结合集成机器学习，实现93%早期作物分类精度，方法可扩展、结论可靠，对农业遥感监测有实质参考价值。
及时可靠的作物类型制图对可持续农业管理和粮食安全至关重要。本研究探讨了整合Sentinel-1多时相合成孔径雷达（SAR）数据与Sentinel-2光学影像在印度北阿坎德邦乌达姆辛格纳加尔地区进行早季作物分类的潜力。依托Google Earth Engine（GEE）云平台，研究采用随机森林（RF）和梯度提升树（GBT）两种集成机器学习算法，利用2022年11月至12月获取的SAR-光学联合数据集，对主要土地覆盖和作物类型进行分类，并评估其分类能力。通过实地调查共采集1141个地面真实样本。与单一传感器方法相比，结构信息（SAR）与光谱信息（光学）的融合显著提升了分类性能。在各模型中，GBT取得了最高精度，总体精度达93%，Kappa系数为0.90。小麦、森林和水体的制图精度较高（F1 ≥ 0.90），而芥菜和甘蔗因光谱相似及训练数据有限，精度较低。特征重要性分析表明，晚季SAR（VV、VH）和光学（红边和短波红外）波段是最具影响力的变量。结果表明，SAR与光学时间序列数据的协同结合集成机器学习，为近实时作物监测提供了稳健且可扩展的框架。该方法为精准农业提供了有价值的见解，并支持印度农业领域的数据驱动政策规划。