Water Practice & Technology·10月9日 · 周五论文数字乡村与农业信息化阅读 2
Phenology-driven multisensor unsupervised crop mapping in data-scarce irrigated agriculture: a case of Adea District in Ethiopia
Belete Berhanu Kidanewold · Jemal Mohammed Hassen · Rahel Sintayehu Tessema 等 8 人
论文解读
67接近精选线
速览
基于物候与多传感器数据，在埃塞俄比亚缺数据灌区实现无监督作物制图。
方法
GEE平台融合Sentinel-2 NDVI、Sentinel-1 VV及DEM
发现
成功区分灌溉小麦和番茄，总体精度91%，Kappa 0.82，面积分别为666.93和812.35公
机会点
可探索物候特征与多源遥感在缺数据小农灌区的迁移学习及作物水生产力监测。
影响力8
信息增量20
专业深度17
信源权威13
时效性9
方法新颖、精度可靠，但属区域案例研究，产业影响有限，可作为技术参考入选。
原文摘要
在数据稀缺地区，可靠的基于地面作物信息和空间覆盖数据往往有限，精准灌溉规划、水资源分配和农业生产力评估因此常受制约。本研究针对这些不足，采用了一种由物候驱动、多传感器协同的无监督作物制图框架，并在Google Earth Engine（GEE）平台上实现。该方法将Sentinel-2的月度归一化植被指数（NDVI）时序、Sentinel-1 VV后向散射以及数字高程模型衍生的地形坡度整合到无监督K均值聚类算法中。以埃塞俄比亚Adea区为示范区，评估和解读主要灌溉作物的物候特征。对识别出的作物类型进行制图以估算空间覆盖范围，并与灌溉小麦和番茄田的地面实测数据进行对比。该方法成功区分了灌溉小麦和番茄田，总体分类精度达91%，Kappa系数为0.82，估算种植面积分别为666.93公顷和812.35公顷。将物候特征与多传感器卫星观测相结合，可显著提升异质性小农主导农业景观中的无监督分类性能。该基于云的框架为数据稀缺农业地区的作物制图和水分生产力监测提供了一种计算可扩展且成本效益高的解决方案。