[论文解读] Prediction of Soil Moisture Content Based On Satellite Data and Sequence-to-Sequence Networks

Natalia Efremova, Dmitry Zausaev+1 more|arXiv (Cornell University)|Jun 5, 2019

Smart Agriculture and AI参考文献 9被引用 13

一句话总结

本文提出一种基于Sentinel-1和Sentinel-2卫星数据的序列到序列深度学习模型，用于预测土壤湿度，无需依赖地面传感器即可实现高精度。该方法结合卷积LSTM与多源地球观测及地面数据，在成本上相比传统土壤湿度传感器降低四倍，同时实现实时、可扩展的精准农业推荐。

ABSTRACT

The main objective of this study is to combine remote sensing and machine learning to detect soil moisture content. Growing population and food consumption has led to the need to improve agricultural yield and to reduce wastage of natural resources. In this paper, we propose a neural network architecture, based on recent work by the research community, that can make a strong social impact and aid United Nations Sustainable Development Goal of Zero Hunger. The main aims here are to: improve efficiency of water usage; reduce dependence on irrigation; increase overall crop yield; minimise risk of crop loss due to drought and extreme weather conditions. We achieve this by applying satellite imagery, crop segmentation, soil classification and NDVI and soil moisture prediction on satellite data, ground truth and climate data records. By applying machine learning to sensor data and ground data, farm management systems can evolve into a real time AI enabled platform that can provide actionable recommendations and decision support tools to the farmers.

研究动机与目标

• 开发一种基于人工智能的实时土壤湿度预测系统，利用卫星和地面数据支持可持续农业。
• 通过利用免费的卫星地球观测数据，减少对昂贵原位土壤湿度传感器的依赖。
• 通过自动化、数据驱动的决策支持系统，提高水资源利用效率和作物产量，助力农民。
• 通过提升农业生产力和资源保护，为联合国可持续发展目标中的零饥饿目标做出贡献。
• 构建一个可扩展、低成本的精准农业平台，适用于监测基础设施有限的地区。

提出的方法

• 该模型采用基于卷积LSTM的编码器-解码器网络结构，实现序列到序列架构，以处理卫星图像的时间序列数据。
• 输入特征包括Sentinel-1的双极化SAR数据（VV+VH）和Sentinel-2的光学波段（R, G, B, NIR），以及真实土壤湿度和气象数据。
• 编码器将历史卫星和地面数据处理为上下文向量，解码器则利用该向量生成未来土壤湿度的图像序列预测。
• 系统使用澳大利亚葡萄酒产区14个土壤湿度传感器站点的7年每日数据集进行训练和验证。
• 利用Sentinel-2提取的NDVI可提升预测精度，以反映植被胁迫和作物健康状况。
• 对比两种模型变体：仅使用地球观测数据的自编码器模型，以及结合地面测量数据的LSTM模型，以评估数据需求与精度之间的权衡。

实验结果

研究问题

• RQ1 仅使用卫星数据的序列到序列深度学习模型能否准确预测土壤湿度，而无需依赖地面传感器？
• RQ2 真实土壤湿度测量数据的引入如何影响预测精度与数据效率？
• RQ3 NDVI与多光谱数据在多大程度上可提升土壤湿度预测模型的性能？
• RQ4 自编码器架构与LSTM架构在长时间序列土壤湿度预测中的性能与数据效率如何比较？
• RQ5 此类模型能否作为原位土壤湿度传感器在精准农业中的低成本替代方案？

主要发现

• 在有限数据下训练时，LSTM模型的精度高于自编码器模型，但需要真实土壤湿度测量数据。
• 自编码器模型在拥有大规模历史数据集时表现良好，且仅依赖地球观测数据运行，完全无需地面传感器。
• 与在葡萄园中部署和维护土壤湿度传感器相比，该系统将实施成本降低了约四倍。
• 从Sentinel-2影像提取的NDVI显著提升了预测精度，能够有效捕捉作物胁迫与植被动态。
• 该模型成功生成了以可视化图像序列形式呈现的土壤湿度连续预测结果，便于农民直观理解。
• 卫星数据与机器学习的结合，实现了可扩展、实时的决策支持工具，助力可持续的土地与水资源管理。