Development of a novel machine learning framework for sustainable agricultural development

方法

融合Landsat、GRACE、PlanetScope与CRU-TS数据，比较双

发现

SRGAN重建精度最优（RMSE 8.27、PSNR 36.48），植被指数与温度、降水、地下水储量

机会点

可将SRGAN增强的多源遥感框架迁移至缺水农业区，探索超分辨率对地下水-植被耦合精细监测的增益。

为确保农业的可持续发展，必须在气候变化背景下对植被和水资源进行准确监测。然而，空间分辨率是传统基于卫星的遥感方法的局限所在，这些方法可能无法检测水资源可用性较低地区农业活动的精细尺度格局。本文提出了一个多传感器遥感与超分辨率图像增强相结合的综合框架，用于检测沙特阿拉伯卡西姆地区的农业和地下水（GW）状况。研究结合了Landsat、重力恢复与气候实验（GRACE）、PlanetScope以及气候研究单位时间序列（CRU-TS）气候数据，以评估植被指数（VIs）——归一化差异植被指数（NDVI）、土壤调整植被指数（SAVI）、修正土壤调整植被指数（MSAVI2）及其与温度、降雨和地下水储量（GWS）的关联。研究考虑了三种图像增强技术，包括双三次插值、超分辨率卷积神经网络（SRCNN）以及基于超分辨率生成对抗网络（SRGAN）的超分辨率模型。SRGAN模型在0–255缩放反射率空间中具有最小的均方根误差（RMSE），为8.27个图像强度单位，并且峰值信噪比（PSNR）和结构相似性指数（SSIM）得分最高，分别为36.48和0.935。结果表明，植被指数存在明显的季节和年际变化，且区域尺度上的植被状况与温度、降雨和GWS等气候变量之间存在关系。空间分析还表明，由于当地农业、水资源可用性和气候胁迫的变异性，整个研究区对植被和GW的响应并不相同。结果表明，SRGAN能够增强多传感器遥感影像（RSE）的空间可解释性，并有助于农业的气候韧性监测和水资源管理。