Integrating multi-sensor optical and SAR data with machine learning ensembles for chickpea area estimation in the Krishna zone of Andhra Pradesh
A Harshitha · Sunil M Kumar · AS Bharathi 等 8 人
融合光学与SAR多时相数据，用机器学习集成分类器估算安得拉邦鹰嘴豆种植面积。
Landsat-9、Sentinel-2与Sentinel-1数据，GEE构建2
集成分类器精度94.11%（κ=0.88），优于最大似然分类的88.23%，面积估算更接近农业部门统
可探索多源遥感与集成学习在更多小宗作物、跨区域和跨年份的迁移能力与不确定性评估。
多源光学与SAR遥感结合机器学习集成分类估算鹰嘴豆面积，方法新颖、精度提升明显，对区域作物监测有参考价值，但属区域性研究，公共影响有限。
本研究利用地理空间技术，结合光学与微波遥感数据，对安得拉邦克里希纳地区2025—2026年rabi季鹰嘴豆（Cicer arietinum L.）种植面积进行了估算。研究采用143个地理参考地面真值观测数据，基于Landsat-9 OLI、Sentinel-2 MSI和Sentinel-1 SAR数据进行作物分类。采用两种不同工作流程评估鹰嘴豆面积估算：一种是在ENVI软件中进行的最大似然分类（MLC），另一种是先进的机器学习集成分类器，该分类器将随机森林（RF）、支持向量机（SVM）和梯度提升机（GBM）算法相结合，应用于在Google Earth Engine（GEE）中创建的21波段多时相特征堆栈，并在R软件中进行处理。MLC技术估算鹰嘴豆总面积为87,004 ha，总体精度为88.23%（κ=0.74）；机器学习集成分类器显著优于MLC，识别总面积为1,33,216 ha，总体精度更高，达94.11%（κ=0.88）。与农业部（DoA）统计数据相比，多传感器集成方法显著改善了克里希纳地区六个区鹰嘴豆分布的空间表征。这凸显了机器学习集成分类框架在可靠区域作物监测方面的潜力。