
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于多时相遥感与机器学习的芒果种植面积估算研究
《Scientific Reports》:Temporal trend analysis and multi-temporal satellite feature integration for mango orchard acreage estimation using machine learning algorithms approach
【字体: 大 中 小 】 时间:2026年09月23日 来源:Scientific Reports 4.9
编辑推荐:
摘要准确估算园艺作物种植面积对于农业规划、市场预测和基于证据的政策制定至关重要。本研究调查了芒果种植的长期趋势,并开发了一个多时相遥感框架,利用集成的光学、SAR 和机器学习方法,估算纳夫萨里区(Navsari District)的芒果果园面积。使用多项式回归模型分析了跨越
准确估算园艺作物种植面积对于农业规划、市场预测和基于证据的政策制定至关重要。本研究调查了芒果种植的长期趋势,并开发了一个多时相遥感框架,利用集成的光学、SAR 和机器学习方法,估算纳夫萨里区(Navsari District)的芒果果园面积。使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(时间)数据,以评估芒果面积和生产量的趋势。线性回归最能代表面积扩张趋势(调整 R2 = 0.969),而三次回归更好地捕捉了生产量变异性(调整 R2 = 0.634),表明气候和季节因素对生产率有影响。对于果园分类和面积估算,在物候指导框架内处理了从 2023 年 11 月到 2024 年 3 月获取的多时相哨兵 -2 号(Sentinel-2)影像。生成了月度合成影像,并与哨兵 -1 号 SAR 后散射数据、植被指数(NDVI、GNDVI、NDRE、SAVI、EVI 和 NDMI)以及从灰度共生矩阵(GLCM)分析中得出的纹理指标相结合。开发了一个包含 72 个波段的综合特征堆栈用于分类。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)和多项式逻辑回归(MNLR),用于果园识别。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 模型估算的芒果果园面积为 36,099.94 公顷,与官方园艺统计数据(34,363 公顷)最接近,估计误差仅为 5.05%。相比之下,SVM 和 MNLR 分别高估了果园范围 16.03% 和 43.37%。所提出的框架为热带果园生态系统中的运营性园艺监测、作物清单生成和精准农业规划提供了可靠且可扩展的方法。