Monitoring digestate application on agricultural crops using Sentinel-2 Satellite imagery

要約

農業における外因性の有機物の広範な使用は、土壌と作物の健康への影響を評価するためにモニタリングを必要とします。
この研究では、消化器系の肥沃度を高めるが、マイクロプラスチック汚染や窒素損失などの環境リスクをもたらす慣行である消化器系アプリケーションを検出するための光学センチネル-2衛星画像を評価します。
最初の例では、ギリシャのテッサリーの4つの異なる作物タイプの土壌に適用した後、EOMのスペクトル挙動を特徴付けるために、特定のインデックス（EOMI、NDVI、EVI）のSentinel-2衛星画像時系列（SITS）分析を使用しました。
さらに、機械学習（ML）モデル（つまり、ランダムフォレスト、K-NN、勾配ブースト、フィードフォワードニューラルネットワーク）を使用して、消化器の存在検出を調査し、最大0.85のF1スコアを達成しました。
この調査結果は、EOMアプリケーションのスケーラブルで費用対効果の高い監視のためにリモートセンシングとMLを組み合わせ、精密な農業と持続可能性をサポートする可能性を強調しています。

要約(オリジナル)

The widespread use of Exogenous Organic Matter in agriculture necessitates monitoring to assess its effects on soil and crop health. This study evaluates optical Sentinel-2 satellite imagery for detecting digestate application, a practice that enhances soil fertility but poses environmental risks like microplastic contamination and nitrogen losses. In the first instance, Sentinel-2 satellite image time series (SITS) analysis of specific indices (EOMI, NDVI, EVI) was used to characterize EOM’s spectral behavior after application on the soils of four different crop types in Thessaly, Greece. Furthermore, Machine Learning (ML) models (namely Random Forest, k-NN, Gradient Boosting and a Feed-Forward Neural Network), were used to investigate digestate presence detection, achieving F1-scores up to 0.85. The findings highlight the potential of combining remote sensing and ML for scalable and cost-effective monitoring of EOM applications, supporting precision agriculture and sustainability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google