基于多光谱卫星图像的粮食产量预测神经网络比较研究.docx

Z.H. Khalil et al. / Procedia Computer Science 186 (2021) 269–278 PAGE 277 PAGE 276 Z.H. Khalil et al. / Procedia Computer Science 186 (2021) 269–278 基于多光谱卫星图像的粮食产量预测神经网络比较研究 摘要 作物产量预测的估计在农业经济管理中至关重要。影响农业的这些农学问题包括农业管理、国家粮食政策以及国际作物贸易，这属于粮食及农业组织(粮农组织)的任务范围。此外，由于人口不断增长，粮食需求增加，导致大片土地被耕种。因此，包括应用卫星图像在内的各种作物产量预测方法和系统得到了发展。利用卫星技术是因为它们能够连续覆盖大片地区，同时提供作物产量的准确估计。在作物产量估计方面，使用了卫星传感器提供的植被指数，以及地面变量，如天气因素、土壤湿度、水文条件、土壤肥力和施肥。在数据获取的便利性和高预测精度是强制性的地方，使用了许多基于机器学习技术的经验模型，并且应用的最成功的方法是神经网络。神经网络数据输入以多光谱图像带的归一化直方图、归一化植被指数、吸收的主动光合辐射、冠层表面和环境因素的形式变化。我们的发现表明，卫星技术和最大似然技术的快速发展将为精确的谷物预测提供负担得起的综合解决方案。为了更精确地预测粮食作物，需要对现有的方法进行调整和发展，从而进行许多用于产量估计的遥感研究。 关键词:神经网络；植被指数；机器学习；多光谱卫星图像；作物产量预测 1。 介绍 位于意大利罗马的世界粮食计划署指出，83个国家的9140万人依赖捐赠的食物，随着人口的增加，食物供应下降[1]。因此，需要在当地和全球范围内实现生产多样化(重点是在发展中国家饮食中起主要作用的谷物)，关注现有最佳农业做法的结合、传统习惯的改变，并依靠现代农业数字技术来克服到2050年养活90-100亿人的全球挑战[2]。因此，数字技术和智慧农业已经成为用于改善农业监测、生产力和粮食安全的新科学领域，而实现这些挑战的最重要因素之一是粮食作物生产及其估计[3，4]。 在作物产量估计中，使用人工调查、作物模拟模型以及遥感数据来预测数据[5]。人工研究涉及传统的作物产量预测系统。他们需要关于作物的现场信息，通过比较随后几年的数据，通过基本的统计工具进行分析，回报被森林覆盖。此外，作物模拟模型模拟作物发育的整个前提和前期准备；也就是说，从土壤特性、天气和管理实践。该系统应用数学模型和历史产量数据来引导大面积的估计[6]。收集高质量农业数据数据集的统计和模拟模型问题出现在缺乏数据和数据不可用的发展中国家，因此许多研究人员依赖遥感进行作物产量估算；这是一门在没有物理交互的情况下观察物体的科学，来源于卫星和无人机。遥感数据的特点是客观测量、系统的时间序列和空间表示信息，以及大规模观测，以收集关于地球特征的众所周知的/非破坏性信息[7]；此外，遥感提供了2-3个光谱样本范围内的图像，如植被指数、增强植被指数和归一化差异水指数。 机器学习ML具有高性能计算的能力，使其能够创造新的机会来理解和量化农业中的数据密集型。最近，机器学习技术已经应用于粮食作物产量预测。最大似然技术之一是深度神经网络，它属于表示学习模型的范畴，可以在不手工输入特征的情况下找到数据的底层表示，最近已被用于预测作物产量[8，9]。 精准农业和智慧农业区域发展的基础由[10-13]总结；俄罗斯为精准农业和灌溉开发的新型地球遥感技术由[14]系统化；在[3，15]中描述了大数据分析在农业和智能农业中的应用；卫星图像在精准农业中的应用[16]，农业中的机器学习和深度学习由[8，17，18]介绍。这项研究考察了用于预测粮食产量的神经网络模型，以及作者使用的多光谱卫星数据源和总体性能指标(标准)结果。 2。 方法学 文献分析从收集相关的作品开始，然后对这些作品进行回顾和分析。搜索查询中使用的关键词是:[人工神经网络]和[作物产量预测]和[多光谱卫星图像或植被指数]。在IEEE Xplore、ScienceDirect、Scopus、科学世界网和谷歌学术GS等科学数据库中搜索会议论文和文章。此后，那些涉及作物产量预测但不是基于多光谱卫星图像或与粮食产量无关的论文被过滤掉了。 根据几个因素对所选论文进行了研究和分析，包括使用的卫星数据来源、预测中使用的附加数据及其对预测结果的影响、选择的神经网络类别和结构、为什么以及如何对多光谱卫星数据进行预处理。 3。 多光谱卫星图像 卫星图像或卫星数据是人造卫星在其轨道上提供的关于地球和太空中其他行星的信息，这些数据中最重要的部分是地球观测EO，它描述了地球的表面和天气变化。卫星数据种类繁多，在技术(主动/被动、散射仪/辐射计)、