Combining multitemporal optical and SAR data for LAI imputation with BiLSTM network

要約

葉面積指数 (LAI) は、冬小麦の収量を予測するために不可欠です。
Sentinel-2 リモート センシング画像による作物の状態の取得は、持続的な雲によって妨げられ、収量予測に影響を与える可能性があります。
合成開口レーダー (SAR) は全天候画像を提供し、その交差偏波チャネルと共偏波チャネル (C バンド) の比は、冬小麦地域の時系列 LAI と高い相関関係を示します。
この研究では、時空間密度を高めることを目的として、LAI 代入のための時系列 Sentinel-1 VH/VV の使用を評価します。
双方向 LSTM (BiLSTM) ネットワークを利用して時系列 LAI を代入し、各タイム ステップの半平均二乗誤差を損失関数として使用します。
Sentinel-1 VH/VV および Sentinel-2 によって生成された LAI データのみを使用して、ドイツ南部と中国北部平原のデータでモデルをトレーニングしました。
実験結果は、BiLSTM が従来の回帰手法よりも優れたパフォーマンスを示し、複数の時系列間の非線形ダイナミクスを捕捉することを示しています。
さまざまな生育条件で堅牢であることが証明されており、限られた Sentinel-2 画像でも効果的です。
BiLSTM のパフォーマンスは、特に老化期間において LSTM のパフォーマンスを上回ります。
したがって、BiLSTM を使用して、時系列の Sentinel-1 VH/VV および Sentinel-2 データを LAI に代入することができ、この方法は他の時系列代入の問題にも適用できる可能性があります。

要約(オリジナル)

The Leaf Area Index (LAI) is vital for predicting winter wheat yield. Acquisition of crop conditions via Sentinel-2 remote sensing images can be hindered by persistent clouds, affecting yield predictions. Synthetic Aperture Radar (SAR) provides all-weather imagery, and the ratio between its cross- and co-polarized channels (C-band) shows a high correlation with time series LAI over winter wheat regions. This study evaluates the use of time series Sentinel-1 VH/VV for LAI imputation, aiming to increase spatial-temporal density. We utilize a bidirectional LSTM (BiLSTM) network to impute time series LAI and use half mean squared error for each time step as the loss function. We trained models on data from southern Germany and the North China Plain using only LAI data generated by Sentinel-1 VH/VV and Sentinel-2. Experimental results show BiLSTM outperforms traditional regression methods, capturing nonlinear dynamics between multiple time series. It proves robust in various growing conditions and is effective even with limited Sentinel-2 images. BiLSTM’s performance surpasses that of LSTM, particularly over the senescence period. Therefore, BiLSTM can be used to impute LAI with time-series Sentinel-1 VH/VV and Sentinel-2 data, and this method could be applied to other time-series imputation issues.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google