Temporal trend analysis and multi-temporal satellite feature integration for mango orchard acreage estimation using machine learning algorithms approach
V. Raju · Yogesh A. Garde · Dr. V. S. Thorat 等 7 人
融合多时相Sentinel-1/2与机器学习，估算印度芒果园面积并分析23年种植趋势。
23年时序回归分析；Sentinel-2月合成+SAR+植被指数+GLCM纹理共
RF精度最高（总体精度99.80%，Kappa 0.997），面积估算误差仅5.05%，优于SVM和
可迁移该多时相SAR-光学特征框架至其他热带果园，并探索深度学习与物候自适应特征优化。
方法扎实、数据规模大且精度高，但属区域性作物遥感估产研究，产业影响有限，可作为技术方法类精选。
准确估算园艺作物种植面积对于农业规划、市场预测和循证政策制定至关重要。本研究探讨了芒果种植的长期趋势，并开发了一个多时相遥感框架，结合光学、合成孔径雷达（SAR）和机器学习方法，用于纳夫萨里县芒果园种植面积估算。利用多项式回归模型分析了跨越23年（2001—02年至2023—24年）的时间序列数据，以评估芒果面积和产量的变化趋势。线性回归最能表征面积扩张趋势（调整R² = 0.969），而三次回归更能捕捉产量变异性（调整R² = 0.634），表明气候和季节性因素对生产力具有影响。在果园分类和面积估算方面，基于物候指导框架处理了2023年11月至2024年3月获取的多时相Sentinel-2影像。生成了月度合成影像，并将其与Sentinel-1 SAR后向散射数据、植被指数（NDVI、GNDVI、NDRE、SAVI、EVI和NDMI）以及基于灰度共生矩阵（GLCM）分析提取的纹理指标进行整合。构建了一个包含72个波段的综合特征集用于分类。评估了四种机器学习算法，即随机森林（RF）、XGBoost（XGB）、支持向量机（SVM）和多项逻辑回归（MNLR），用于果园判别。在测试的模型中，RF取得了最高的分类性能，总体精度为99.80%，Kappa系数为0.997，其次是SVM（99.30%）、MNLR（98.21%）和XGB（9.20%）。RF模型估算的芒果园面积为36,099.94公顷，与官方园艺统计数据（34,363公顷）最为接近，估算误差仅为5.05%。相比之下，SVM和MNLR分别高估了果园面积16.03%和43.37%。所提出的框架为热带果园生态系统中的业务化园艺监测、作物清单生成和精准农业规划提供了一种可靠且可扩展的方法。