Improved data on crop type and crop area from satellite imagery are invaluable for agronomy managers and are crucial for balancing agricultural expansion and forest degradation. However, large-scale maps of crop type and crop area using satellite imagery are not easily available in some regions, especially Brazil. Reasons for this include limited ground truth data, inadequate spatial and temporal satellite data availability, computational challenges, lack of cropland data and field boundaries. In this paper, we attempted to overcome some of these obstacles by using an ensemble of approaches to generate crop classification maps for Brazil. In order to compensate for the lack of abundant ground truth data in Brazil, we combined extensive field data and satellite input features from the United States with available field data and satellite input features from Brazil to train crop classification model for Brazil. Before applying the crop classification model for Brazil, we classified cropland areas using harmonic functions and delineated field boundaries using a supervised deep learning approach. Cropland masking and field boundary delineation allowed field-level mapping of crop type and crop area. Applying the crop classification model for Brazil in the states of Mato Grosso and Goias gave a true positive accuracy of 88% in the 2017/2018 summer growing season for soybean classification, 95% in the 2018 safrinha growing season for corn classification, and 86% in the 2018/2019 summer growing season for soybean classification. Our crop area estimates also showed a good agreement (correlation of 0.95 and mean absolute error of 0.64) with state-scale statistical data provided by the Companhia Nacional de Abastecimento (CONAB) in both summer and safrinha growing seasons adding further confidence to the results. These results suggest that extensive data from one geography can be used to train machine learning models in conjunction with limited field data from another geography. Accuracy assessments support the portability of crop classification model for Brazil with reasonable accuracy spatially, as tested in the state of Parana, and temporally, to the following year. The approaches and datasets presented in this paper provide building blocks for large-scale crop monitoring benefitting both public and private sectors.

通过卫星图像获得的关于作物类型和作物面积的改进数据对于农学管理者而言是无价的，对于平衡农业扩张和森林退化至关重要。但是，在某些地区，尤其是巴西，不容易获得使用卫星图像获得的作物类型和作物面积的大规模地图。造成这种情况的原因包括地面实况数据有限，空间和时间卫星数据可用性不足，计算难题，耕地数据缺乏和田间边界。在本文中，我们试图通过使用多种方法来为巴西生成作物分类图来克服这些障碍。为了弥补巴西缺乏大量实地数据的不足，我们将美国的大量田间数据和卫星输入特征与巴西的可用田野数据和卫星输入特征相结合，以训练巴西的作物分类模型。在将作物分类模型应用于巴西之前，我们使用谐波函数对农田进行分类，并使用监督式深度学习方法对田间边界进行了划分。农田掩蔽和田间边界划定允许在田间进行作物类型和作物面积的制图。在马托格罗索州和戈亚斯州使用巴西的农作物分类模型，在大豆分类的2017/2018夏季生长期中，其真实准确度为88％，在2018年的safrinha玉米生长季中，为95％，86％在2018/2019夏季生长期进行大豆分类。我们的作物面积估计值与夏季和非洲藏红花生长季节的国家级统计数据（CONAB）提供的州级统计数据也显示出良好的相关性（相关系数为0.95，平均绝对误差为0.64），为结果提供了更多的信心。这些结果表明，来自一个地理区域的大量数据可以与来自另一个地理区域的有限现场数据一起用于训练机器学习模型。准确性评估为巴西的农作物分类模型的可移植性提供了合理的空间准确性（如在巴拉那州进行的测试），以及在时间上直至下一年。本文介绍的方法和数据集为大规模作物监测提供了基础，这对公共部门和私营部门都有利。95，平均绝对误差为0.64），而国家和地方农业统计局（CONAB）在夏季和非洲番荔枝生长季节均提供了州规模的统计数据，为结果增加了更多的信心。这些结果表明，来自一个地理区域的大量数据可以与来自另一个地理区域的有限现场数据一起用于训练机器学习模型。准确性评估为巴西的农作物分类模型的可移植性提供了合理的空间准确性（如在巴拉那州进行的测试），以及时间上的准确性，直至第二年。本文介绍的方法和数据集为大规模作物监测提供了基础，这对公共部门和私营部门都有利。95，平均绝对误差为0.64），而国家和地方农业统计局（CONAB）在夏季和非洲番荔枝生长季节均提供了州规模的统计数据，为结果增加了更多的信心。这些结果表明，来自一个地理区域的大量数据可以与来自另一个地理区域的有限现场数据一起用于训练机器学习模型。准确性评估为巴西的农作物分类模型的可移植性提供了合理的空间准确性（如在巴拉那州进行的测试），以及时间上的准确性，直至第二年。本文介绍的方法和数据集为大规模作物监测提供了基础，这对公共部门和私营部门都有利。64）以及Companhia Nacional de Abastecimento（CONAB）在夏季和safrinha生长季节提供的州级统计数据，为结果增加了信心。这些结果表明，来自一个地理区域的大量数据可以与来自另一个地理区域的有限现场数据一起用于训练机器学习模型。准确性评估为巴西的农作物分类模型的可移植性提供了合理的空间准确性（如在巴拉那州进行的测试），以及在时间上直至下一年。本文介绍的方法和数据集为大规模作物监测提供了基础，这对公共部门和私营部门都有利。64）以及Companhia Nacional de Abastecimento（CONAB）在夏季和safrinha生长季节提供的州级统计数据，为结果增加了信心。这些结果表明，来自一个地理区域的大量数据可以与来自另一个地理区域的有限现场数据一起用于训练机器学习模型。准确性评估为巴西的农作物分类模型的可移植性提供了合理的空间准确性（如在巴拉那州进行的测试），以及时间上的准确性，直至第二年。本文介绍的方法和数据集为大规模作物监测提供了基础，这对公共部门和私营部门都有利。这些结果表明，来自一个地理区域的大量数据可以与来自另一个地理区域的有限现场数据一起用于训练机器学习模型。准确性评估为巴西的农作物分类模型的可移植性提供了合理的空间准确性（如在巴拉那州进行的测试），以及在时间上直至下一年。本文介绍的方法和数据集为大规模作物监测提供了基础，这对公共部门和私营部门都有利。这些结果表明，来自一个地理区域的大量数据可以与来自另一个地理区域的有限现场数据一起用于训练机器学习模型。准确性评估为巴西的农作物分类模型的可移植性提供了合理的空间准确性（如在巴拉那州进行的测试），以及时间上的准确性，直至第二年。本文介绍的方法和数据集为大规模作物监测提供了基础，这对公共部门和私营部门都有利。