Annual field-scale maps of tall and short crops at the global scale using GEDI and Sentinel-2

要約

作物タイプ マップは、農地利用の追跡と作物生産の推定に不可欠です。
リモート センシングは、モデル トレーニング用の地表ラベルが豊富な地域でこれらのマップを作成するための効率的で信頼性の高いツールであることが証明されていますが、これらのラベルを取得することは、多くの地域や年で依然として困難です。
NASA の地球生態系ダイナミクス調査 (GEDI) 宇宙搭載ライダー機器は、もともと森林監視用に設計されたもので、背の高い作物と短い作物を区別する見込みがあることを示しています。
現在の研究では、GEDI を活用して、2019 年から 2021 年までの 10 m の解像度で地球規模で背の高い作物と背の高い作物の壁一面のマップを作成します。
具体的には、(1)極端な視野角または地形傾斜のあるショットを削除した後、GEDIリターンを背の高い作物と短い作物に確実に分類できること、(2)経時的な背の高い作物の頻度を使用して、背の高い作物が発生する月を特定できることを示します。
(3) これらの月の GEDI ショットを使用して、Sentinel-2 時系列を使用するランダム フォレスト モデルをトレーニングし、背の高い作物と背の高い作物を正確に予測できます。
その後、世界中の独立した参照データを使用して、これらの GEDI-S2 マップを評価します。
GEDI-S2 は、アメリカ、ヨーロッパ、東アジア全体で、少なくとも 87%、多くの場合 90% を超える精度で、数千のローカル参照トレーニング ポイントでトレーニングされたモデルとほぼ同じパフォーマンスを発揮することがわかりました。
背の高い作物面積の体系的な過小評価は、作物のバイオマスが低いことが多い地域、つまりアフリカと南アジアで観察されており、これらのシステムではさらなる研究が必要です。
GEDI-S2 アプローチは背の高い作物と背の低い作物を区別するだけですが、多くの景観では、この区別は主要な個々の作物の種類をマッピングするのに大いに役立ちます。
したがって、GEDI と Sentinel-2 の組み合わせは、地上データへの依存を最小限に抑えた地球規模の作物マッピングに向けた非常に有望な道筋を示しています。

要約(オリジナル)

Crop type maps are critical for tracking agricultural land use and estimating crop production. Remote sensing has proven an efficient and reliable tool for creating these maps in regions with abundant ground labels for model training, yet these labels remain difficult to obtain in many regions and years. NASA’s Global Ecosystem Dynamics Investigation (GEDI) spaceborne lidar instrument, originally designed for forest monitoring, has shown promise for distinguishing tall and short crops. In the current study, we leverage GEDI to develop wall-to-wall maps of short vs tall crops on a global scale at 10 m resolution for 2019-2021. Specifically, we show that (1) GEDI returns can reliably be classified into tall and short crops after removing shots with extreme view angles or topographic slope, (2) the frequency of tall crops over time can be used to identify months when tall crops are at their peak height, and (3) GEDI shots in these months can then be used to train random forest models that use Sentinel-2 time series to accurately predict short vs. tall crops. Independent reference data from around the world are then used to evaluate these GEDI-S2 maps. We find that GEDI-S2 performed nearly as well as models trained on thousands of local reference training points, with accuracies of at least 87% and often above 90% throughout the Americas, Europe, and East Asia. Systematic underestimation of tall crop area was observed in regions where crops frequently exhibit low biomass, namely Africa and South Asia, and further work is needed in these systems. Although the GEDI-S2 approach only differentiates tall from short crops, in many landscapes this distinction goes a long way toward mapping the main individual crop types. The combination of GEDI and Sentinel-2 thus presents a very promising path towards global crop mapping with minimal reliance on ground data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google