Key points are not available for this paper at this time.
Die Identifizierung und Kartierung von Pflanzentypen auf großen Flächen für Landwirtschaftsflächen ist für die landwirtschaftliche Forschung, die Ertragsprognose und das Katastrophenmanagement von entscheidender Bedeutung. Das United States Department of Agriculture (USDA) produziert die Cropland Data Layer (CDL) für Landwirtschaftsflächen in den zusammenhängenden Vereinigten Staaten, die die räumliche Verteilung der Pflanzentypen mit einer Auflösung von 30 m umfasst. Die CDL wird jedoch immer im frühen nächsten Jahr veröffentlicht, was die Anforderungen an landwirtschaftliche Anwendungen in der Saison nicht erfüllen kann. In diesem Papier setzen wir uns mit den oben genannten Fragen auseinander und stellen einen effizienten Ansatz zur Kartierung von Erträgen auf großen Flächen vor. Wir nutzten historische CDL-Daten, um vertrauenswürdige Pixel für den Anbau in Illinois zu extrahieren. Die vertrauenswürdigen Pixel dienten als Trainingsdaten für das maschinelle Lernmodell zur Klassifikation von Pflanzentypen. Wir kombinierten den Random Forest-Algorithmus und das Minimum-Distanz-Modell zur Zeitreihenkklassifikation. Wir verwendeten Google Earth Engine, um vier saisonale Erntemaps für die Landwirtschaftsflächen in Illinois von Mai bis August zu erstellen. Das Validierungsergebnis zeigt eine Gesamtgenauigkeit von 91 % für die saisonale Kartierung der Erträge in Illinois 2021, und die Genauigkeit der Klassifikation der Hauptpflanzen liegt bei etwa 92 %.
Li et al. (Mon,) haben diese Frage untersucht.