ABSTRACT

Remote Sensing-based multi-time point imagery helps incorporate the potentiality of time series analysis in crop classification studies. Single timepoint imagery has limitations in this aspect due to a comparatively similar spectral signature of crops. Even in multi-time point imagery, the viability of optical datasets is thwarted by clouds in crop growing seasons. Hence, researchers have used the all-weather imaging capabilities of Synthetic Aperture Radar (SAR) for crop classification. This all-weather capability of SAR and the multispectral capability of Optical datasets combined with their time series data hold great potential in remote sensing-based crop classification. Nevertheless, the underlying patterns of the combined SAR and optical time series haven’t been meticulously explored, especially for socio-economically important crops like sugarcane. Therefore, this study proposes using the Sentinel-1 and Sentinel-2 time-series datasets and crop phenology information to develop a Neural Network capable of identifying sugarcane crops in the sugar belts of Western-Uttar Pradesh. Studies are done for the year 2020 using a Long short-term memory (LSTM) neural network obtaining high accuracies in classifying sugarcane and non-sugarcane classes using optical and SAR time-series analysis datasets. The synthetic dataset has also been developed to enhance the convergence of the deep learning model, producing higher accuracy than utilizing the original dataset. Consequently, the study contributes to remote sensing-based crop classification and sets a foundation for further advancements in this domain.

摘要

基于遥感的多时间点图像有助于将时间序列分析的潜力纳入作物分类研究。由于作物的光谱特征相对相似，单时间点图像在这方面存在局限性。即使在多时间点图像中，光学数据集的可行性也会受到作物生长季节云的阻碍。因此，研究人员利用合成孔径雷达 (SAR) 的全天候成像能力进行作物分类。SAR的这种全天候能力和光学数据集的多光谱能力结合它们的时间序列数据在基于遥感的作物分类中具有巨大的潜力。然而，组合 SAR 和光学时间序列的基本模式还没有被仔细探索，特别是对于具有社会经济意义的作物，如甘蔗。因此，本研究建议使用 Sentinel-1 和 Sentinel-2 时间序列数据集和作物物候信息来开发能够识别西部北方邦糖带中甘蔗作物的神经网络。使用长短期记忆 (LSTM) 神经网络对 2020 年进行了研究，该网络在使用光学和 SAR 时间序列分析数据集对甘蔗和非甘蔗类别进行分类时获得了高精度。还开发了合成数据集以增强深度学习模型的收敛性，比使用原始数据集产生更高的准确性。因此，该研究有助于基于遥感的作物分类，并为该领域的进一步发展奠定基础。本研究建议使用 Sentinel-1 和 Sentinel-2 时间序列数据集和作物物候信息来开发能够识别西部北方邦糖带中的甘蔗作物的神经网络。使用长短期记忆 (LSTM) 神经网络对 2020 年进行了研究，该网络在使用光学和 SAR 时间序列分析数据集对甘蔗和非甘蔗类别进行分类时获得了高精度。还开发了合成数据集以增强深度学习模型的收敛性，比使用原始数据集产生更高的准确性。因此，该研究有助于基于遥感的作物分类，并为该领域的进一步发展奠定基础。本研究建议使用 Sentinel-1 和 Sentinel-2 时间序列数据集和作物物候信息来开发能够识别西部北方邦糖带中的甘蔗作物的神经网络。使用长短期记忆 (LSTM) 神经网络对 2020 年进行了研究，该网络在使用光学和 SAR 时间序列分析数据集对甘蔗和非甘蔗类别进行分类时获得了高精度。还开发了合成数据集以增强深度学习模型的收敛性，比使用原始数据集产生更高的准确性。因此，该研究有助于基于遥感的作物分类，并为该领域的进一步发展奠定基础。