精准农业中多时相作物与干旱胁迫监测的自适应深度学习框架

《Scientific Reports》：An adaptive deep learning framework for multi-temporal crop and drought stress monitoring in precision agriculture

　　

摘要

精准农业日益依赖数据驱动方法来应对气候变化下作物压力和干旱监测的挑战。因此，需要一种基于深度学习的创新框架来评估作物压力动态，以提高农业生产力并确保区域粮食安全，因为传统模型往往难以捕捉细微的空间和光谱变化，导致准确性和泛化能力有限。为克服这些挑战，提出了一种创新且自适应的基于深度学习的方法，利用在印度北方邦冈达县哈尔德哈尔莫村收集的多年份Sentinel-2卫星图像。该模型有效整合了局部光谱和空间细节与更广泛的环境特征，实现了作物分类和压力检测，以支持精准农业。作物压力和干旱地图是借助基于CNN+ViT模型（即一种混合深度学习分类模型）的分类图像，并结合NDVI和NDWI图像生成的，用于评估2023、2024和2025年干旱引起的作物变化。从该过程得出的月度（1月至6月）压力地图为作物暴露的时间模式提供了有价值的见解。所提出的框架为半干旱农业景观中作物脆弱性和韧性的时空模式提供了定量见解。因此，所提出的框架通过将卫星图像、深度学习和物候分析相结合，推进了精准农业建模，并且可以轻松推广到其他具有类似作物系统的干旱易发地区。