日本語タイトル#
果樹園における雑草管理方法のマッピング：Sentinel-2 および PlanetScope データの利用
英文タイトル#
Mapping of Weed Management Methods in Orchards using Sentinel-2 and PlanetScope Data
日本語要約#
効果的な雑草管理は、雑草が作物と栄養や水などの重要な資源を競合するため、農業生産性を向上させるために重要です。雑草管理方法の正確なマップは、政策立案者が農家の実践を評価し、植生の健康、生物多様性、気候への影響を評価し、政策や補助金の遵守を確保するために不可欠です。しかし、雑草管理方法の監視は、通常、地上ベースのフィールド調査に依存しており、これが高コストで時間がかかり、遅延が生じることが多いため、困難です。この問題に対処するために、私たちは地球観測データと機械学習（ML）を活用しました。具体的には、Sentinel-2 および PlanetScope 衛星の時系列データを使用して、それぞれ異なる雑草管理方法（刈り取り、耕作、化学散布、無施策）を果樹園で分類するための個別の機械学習モデルを開発しました。研究結果は、機械学習駆動のリモートセンシングが果樹園における雑草管理マッピングの効率と精度を向上させる可能性を示しています。
英文要約#
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 they commonly rely on ground-based field surveys, which are often costly, time-consuming and subject to delays. In order to tackle this problem, we leverage earth observation data and Machine Learning (ML). Specifically, we developed separate ML models using Sentinel-2 and PlanetScope satellite time series data, respectively, to classify four distinct weed management methods (Mowing, Tillage, Chemical-spraying, and No practice) in orchards. The findings demonstrate the potential of ML-driven remote sensing to enhance the efficiency and accuracy of weed management mapping in orchards.
PDF 取得#
抖音でスキャンしてさらに素晴らしいコンテンツを見る