Tillage Practice Discrimination Using High-Resolution PlanetScope and Sentinel-2 Imagery
Vidya Nahdhiyatul Fikriyah · Roshanak Darvishzadeh · Stephan M. Haefele 等 4 人
对比PlanetScope与Sentinel-2影像，用随机森林区分冬春两季的集约与保护性耕作。
英国田间试验，2022-24年光谱时序数据，随机森林分类。
PlanetScope分类精度70-80%优于Sentinel-2，冬季模型精度高于春季，绿、红边和
可探索多源高分辨率影像融合与时序特征优化，提升不同季节和区域耕作分类的泛化能力。
基于高分辨率卫星影像与随机森林识别耕作方式的实证研究，方法清晰、结论具体，对精准农业与耕地监测有参考价值，但属细分领域学术进展，公共影响有限。
准确的土壤耕作方式评估对于监测农业可持续性至关重要。为了实现更具针对性的区分，有必要了解不同季节耕作方式的光谱和时间特征。本研究通过比较两套高分辨率遥感数据集PlanetScope和Sentinel-2，在冬季和春季对集约耕作（IT）和保护性耕作（CT）田块进行表征与区分，从而推动耕作方式判别研究的发展。在英国一个试验站点开展了田间试验，收集了2022—23年和2023—24年的耕作方式数据。我们分析了两种耕作类型的光谱和时间特征，随后使用随机森林（RF）算法对其进行分类。结果表明，在兩個季节的早期阶段，两种耕作处理之间存在反射率差异。我们还发现，绿光、红边和近红外波段与分类相关。PlanetScope在耕作分类方面表现出更大的潜力（总体精度OA = 70–80%），而Sentinel-2的表现较低（OA = 53–73%）。冬季模型获得的精度评分高于春季模型，表明耕作判别存在季节性变化。研究结果凸显了高分辨率卫星数据结合机器学习在耕作方式制图和推进精准农业方面的实用性。