A dictionary-based method for crop yield prediction using satellite remote sensing data
M.R. Najam · Hasnat Khurshid · Faisal Akram
提出基于HYDRA字典方法的机器学习框架，结合物候特征预测玉米产量。
HYDRA特征与物候特征拼接，输入XGBoost回归，使用Sentinel-2时
在意大利玉米田上R²达0.696，优于单独使用HYDRA或物候特征。
HYDRA在遥感回归中潜力大，可探索多作物、多区域及与其他时序特征融合。
基于HYDRA的遥感作物产量预测方法在意大利玉米田取得较好精度，为农业遥感应用提供新思路。
HYDRA（HYbrid Dictionary–Rocket Architecture，混合字典-火箭架构）在先前的时间序列分类（TSC）研究中，已在多个基准数据集上展现出具有竞争力的性能。它是一种基于字典的方法，使用静态卷积核作为字典模式。HYDRA在其方法中融入了这些不可学习的核，这些核构成了专为TSC任务设计的ROCKET（RandOm Convolutional KErnel Transform，随机卷积核变换）方法的基础。本研究提出了一种基于HYDRA的机器学习框架，用于对遥感卫星数据进行回归分析，以实现作物产量预测。该框架通过拼接方式整合HYDRA特征与作物物候特征，生成复合特征向量供XGBoost（eXtreme Gradient Boosting，极端梯度提升）使用，从而利用时间序列Sentinel-2影像实现田块尺度内的玉米产量预测。在源自意大利一块22公顷玉米田的2017年和2018年数据集上，我们的方法分别取得了R²值为0.553和0.696、RMSE值为1.101吨/公顷和1.013吨/公顷、MAE值为0.796吨/公顷和0.708吨/公顷的结果，相较于仅基于HYDRA和物候特征的框架，在产量预测性能上实现了适度提升。基于HYDRA的特征在遥感农业应用中的使用，为回归任务展现了有前景的结果。