Выявление заброшенных сельскохозяйственных угодий в регионах, находящихся под влиянием муссонов, с использованием снимков HLS и интерпретируемого машинного обучения

Detecting Abandoned Cropland in Monsoon-Influenced Regions Using HLS Imagery and Interpretable Machine Learning
Sinyoung Park, Sanae Kang, Byungmook Hwang, Dongwook W. Ko
2025-11-24

классификатор сбалансированного бэггингаизображения HLSанализ SHAPXGBoostвыявление заброшенных сельскохозяйственных угодий
Площадь заброшенных сельскохозяйственных угодий увеличивается под воздействием сложных социально-экономических факторов, таких как урбанизация, демографические изменения и снижение рентабельности сельского хозяйства. Поскольку заброшенные угодья одновременно создают экологические, природоохранные и социальные риски и преимущества, для оценки их совокупного воздействия необходим количественный мониторинг. Пространственные данные, полученные на основе спутниковых изображений, подходят для выявления спектральных характеристик, связанных с фенологией сельскохозяйственных культур, а последние исследования достигли прогресса в обнаружении крупных массивов заброшенных угодий по изменениям спектральных характеристик во временных рядах. Однако частая облачность и высокая фрагментированность сельскохозяйственных угодий, различающиеся в зависимости от региона и климатических условий, по-прежнему создают значительные трудности для спутникового выявления. В данном исследовании изображения Harmonized Landsat and Sentinel-2 (HLS), обеспечивающие высокое временное разрешение (2–3 дня) и пространственное разрешение (30 м), были объединены с алгоритмом экстремального градиентного бустинга (eXtreme Gradient Boosting, XGBoost) для выявления сезонных спектральных различий между рисовыми чеками, богарными полями и заброшенными сельскохозяйственными угодьями. Для уменьшения дисбаланса классов использовалась модель XGBoost с классификатором сбалансированного бэггинга (Balanced Bagging Classifier, BBC). Модель достигла точности 0,84, значения каппа Коэна 0,71 и показателя F2 0,84. Анализ SHapley Additive exPlanations (SHAP) выявил основные признаки, включая NIR (май–июнь), SWIR2 (январь), MCARI (сентябрь) и BSI (январь–апрель), отражающие фенологические различия между типами сельскохозяйственных угодий. В целом данное исследование формирует надежную основу для крупномасштабного мониторинга сельскохозяйственных угодий, которую можно адаптировать к различным региональным и климатическим условиям.
1
Интеграция классификатора сбалансированного бэггинга с XGBoost снижает влияние дисбаланса классов при обнаружении фрагментированных заброшенных угодий в условиях частой облачности.
2
Анализ SHAP выявил ближний инфракрасный диапазон в мае–июне, SWIR2 в январе, MCARI в сентябре и BSI с января по апрель как основные различающие признаки.
3
Предложенная система поддерживает масштабный мониторинг сельскохозяйственных угодий и может адаптироваться к различным региональным и климатическим условиям.
4
Модель достигла точности 0,84, коэффициента каппа Коэна 0,71 и показателя F2 0,84.
5
Исследование объединяет высокочастотные снимки HLS с пространственным разрешением 30 м и XGBoost для различения рисовых чеков, богарных полей и заброшенных сельскохозяйственных угодий по сезонным спектральным вариациям.

заброшенные сельскохозяйственные угодья и другие типы сельхозугодий (рисовые чеки и богарные поля) в регионах, подверженных влиянию муссонов

пространственное выявление и различение заброшенных сельскохозяйственных угодий на основе сезонных спектральных и фенологических различий во временных рядах изображений HLS

Publication Details
Publication Date
2025-11-24
Journal
Publisher
ISSN
Access Type
Author Information
Authors
Sinyoung Park
Sanae Kang
Byungmook Hwang
Dongwook W. Ko
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%