Giám sát lúa và ước tính sinh khối dựa trên thuật toán học máy với dữ liệu Sentinel-1A đa thời gian

Công bố khoa học và công nghệ Việt Nam

Chỉ số đề mục

Lĩnh vực nghiên cứu

Viễn thám

Dạng tài liệu

Tác giả

Đỗ Thị Ngọc Anh; Nguyễn Thị Thảo Vân; Nguyễn Phương Anh; Phạm Minh Hải; Hoàng Anh Lê; Bùi Quang Thành; Phạm Văn Mạnh; Hoàng Anh Lê⁽¹⁾;

Nhan đề

Giám sát lúa và ước tính sinh khối dựa trên thuật toán học máy với dữ liệu Sentinel-1A đa thời gian

Nhan đề tiếng anh

Monitoring of rice paddy and estimating biomass based on machine learning algorithms to multi-temporal Sentinel-1A data

Nhan đề dịch tiếng Anh

Monitoring of rice paddy and estimating biomass based on machine learning algorithms to multi-temporal Sentinel-1A data

Nguồn trích

Khoa học Đo đạc và Bản đồ

Năm xuất bản

2021

Số

Trang

52-64

ISSN

0866-7705

Từ khóa

Lúa gạo; Viễn thám; Sentinel-1 SAR; Mạng nơ-ron tích chập; Học sâu

Từ khóa tiếng anh

Rice; Remote sensing; Sentinel-1 SAR; Convolutional neural network; Deep learning

Tóm tắt

ến cơ hội thu thập thông tin cây trồng mà không bị hạn chế bởi các yếu tố điều kiện thời tiết. Khả năng ứng dụng của dữ liệu Sentinel-1 SAR với phân cực kép cho phép nhận diện các ruộng lúa riêng lẻ, và với chu kỳ chụp lặp đủ để giám sát tình trạng sinh trưởng của các loại cây trồng khác nhau. Trong những năm gần đây, với sự phát triển không ngừng của các thuật toán học máy, học sâu trên thế giới, đặc biệt là mạng nơ-ron tích chập (CNN) đã thu được nhiều kết quả tốt trong phát hiện và chiết tách thông tin trên ảnh viễn thám. Nghiên cứu này, đề xuất mô hình phân loại dựa trên mạng nơ-ron tích chập sâu (DCNN) để chiết tách ruộng lúa từ dữ liệu Sentinel-1 SAR. Các chỉ số vật lý đã được tính toán từ phân cực (VH và VV) và một đội di động kiểm tra hình thái sinh trưởng của cây lúa. Đối với kết quả trích xuất ruộng lúa được xác minh bằng độ chính xác tổng thể (OA) và xác nhận chéo (CV) đều đạt kết quả tốt trên 0,85. Trong khi đó, độ chính xác ước tính định lượng sinh khối lúa đạt kết quả cao ở cả hai vụ Đông-Xuân (R2=0,79; RMSE=0,12 kg) và Hè-Thu (R2=0,77; RMSE=0,15 kg). Kết quả chỉ ra rằng, việc sử dụng dữ liệu Sentinel-1 SAR có thể được áp dụng để lập bản đồ phân bố không gian và ước tính định lượng sinh khối của cây lúa trong các điều kiện thời tiết khác nhau. Khung phương pháp luận tổng hợp được phát triển trong nghiên cứu này, có thể được áp dụng trên các ruộng lúa trên khắp Việt Nam và các khu vực trồng lúa lớn tương tự trên thế giới.

Tóm tắt tiếng anh

Synthetic aperture radar (SAR) remote sensing offers a flexible approach and brings the opportunity to collect crop information that is not limited by weather conditions. The applicability of Sentinel-1 SAR data with dual-polarization enables the identification of individual rice fields, and with sufficient repeatability to monitor the growth status of different crops. In recent years, with the continuous development of machine learning algorithms, deep learning in the world, especially convolutional neural networks (CNN), has obtained good results in detecting and extracting information on remote sensing images. In this study, we propose a classification model based on deep convolutional neural network (DCNN) to extract rice fields from Sentinel-1 SAR data. Physical indices were calculated from (VH and VV) polarization and a mobile team examined the growth morphology of rice plants. The results were checked using visual field data with the overall accuracy, and cross-validation values of the rice parameters extracted were higher than 0.85. The accuracy of rice biomass estimation reached (R2=0.79, RMSE=0.12 kilograms) for the Winter-Spring crop and (R2=0.77, RMSE=0.15 kilograms) for the Summer-Autumn crop. The results showed that Sentinel1 data could map the spatial distribution of retrieved rice biomass in various weather conditions. The integrated methodology framework developed in this study can be applied to rice fields across Vietnam and similarly rice fields in the world.

Kí hiệu kho

TTKHCNQG, CVv 362

Xem toàn văn