Mapping of Weed Management Methods in Orchards using Sentinel-2 and PlanetScope Data

要約

雑草は栄養素や水などの重要な資源のために作物と競合するため、農業生産性を改善するためには効果的な雑草管理が重要です。
雑草管理方法の正確な地図は、政策立案者が農民の慣行を評価し、植生の健康、生物多様性、気候への影響を評価し、政策と補助金の遵守を確保するために不可欠です。
ただし、雑草管理方法の監視は、一般的に地上のフィールド調査に依存しているため、困難です。
この問題に取り組むために、地球観測（EO）データと機械学習（ML）を活用します。
具体的には、衛星画像時系列（SITS）データの2つの異なるソース（Sentinel-2（S2）とPlanetscope（PS）からの4つの異なる雑草管理方法（刈り取り、耕作、化学的スプレー、練習なし、練習なし）をマッピングするためのMLアプローチを開発しました。
調査結果は、果樹園の雑草管理マッピングの効率と精度を高めるためのML駆動型のリモートセンシングの可能性を示しています。

要約(オリジナル)

Effective weed management is crucial for improving agricultural productivity, as weeds compete with crops for vital resources like nutrients and water. Accurate maps of weed management methods are essential for policymakers to assess farmer practices, evaluate impacts on vegetation health, biodiversity, and climate, as well as ensure compliance with policies and subsidies. However, monitoring weed management methods is challenging as commonly rely on on-ground field surveys, which are often costly, time-consuming and subject to delays. In order to tackle this problem, we leverage Earth Observation (EO) data and Machine Learning (ML). Specifically, we developed an ML approach for mapping four distinct weed management methods (Mowing, Tillage, Chemical-spraying, and No practice) in orchards using satellite image time series (SITS) data from two different sources: Sentinel-2 (S2) and PlanetScope (PS). The findings demonstrate the potential of ML-driven remote sensing to enhance the efficiency and accuracy of weed management mapping in orchards.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google