SUGARCANE YIELD PREDICTION USING MACHINE LEARNING IN SENTINEL-2 AND GOOGLE EARTH ENGINE FOR ANDHRA PRADESH, INDIA

方法

Sentinel-2植被指数（NDVI/EVI/NDRE/SAVI）+GEE+随

发现

植被指数能反映作物长势，随机森林产量预测精度可靠，地区间单产差异明显。

机会点

可引入时序物候特征与深度学习模型，并迁移到小农户地块尺度验证泛化性。

甘蔗是印度安得拉邦种植的主要经济作物之一，准确的产量估算对农业规划、作物管理和粮食安全至关重要。传统的产量估算方法劳动强度大、耗时长，且空间覆盖范围往往有限。遥感、云计算和机器学习的最新进展为大规模农业监测和作物产量预测提供了高效的替代方案。本研究开发了一种基于机器学习的框架，利用Sentinel-2多光谱影像和Google Earth Engine（GEE）对印度安得拉邦的甘蔗产量进行预测。在GEE中处理Sentinel-2数据以生成植被指数，包括归一化差异植被指数（NDVI）、增强植被指数（EVI）、归一化差异红边指数（NDRE）和土壤调整植被指数（SAVI）。将1998年至2018年的历史县级甘蔗产量数据与遥感特征相结合用于模型开发。采用随机森林回归模型，因其稳健性强且能够处理非线性农业数据集。使用均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R²）评估模型性能。结果表明，Sentinel-2植被指数有效捕捉了作物健康状况和生物量变异性，而随机森林模型在甘蔗产量估算中取得了可靠的预测精度。县级分析表明，克里希纳和西戈达瓦里县的生产力较高，而维沙卡帕特南和维齐亚纳加拉姆县的产量较低。所提出的框架凸显了遥感、机器学习和云计算技术在精准农业和可持续作物管理中的整合潜力。所开发的方法可为安得拉邦甘蔗种植的农业决策、产量预测和政策规划提供支持。