Multi-temporal Optical and Synthetic Aperture Radar (SAR) Satellite Imagery for Estimating Canola Harvest Dates Using Machine Learning
Notice bibliographique
Résumé
Canola, a cornerstone of Canadian agriculture, contributes over $43 billion annually to the national economy and occupies approximately 20 million acres. Traditional monitoring methods, such as crop reporter surveys, are often limited by spatial coverage and consistency. This study explores the integration of multi-temporal Sentinel-1 (SAR) and Sentinel-2 (optical) satellite imagery with deep learning to predict canola harvest dates across Saskatchewan, Canada, over five growing seasons (2020–2024). Twenty-two vegetation and radar-based indices were computed within the Google Earth Engine environment, capturing dynamic canopy, moisture, and phenological changes. Gradient time series (first derivatives) of these indices were used to train univariate Long Short-Term Memory (LSTM) models, with Mc, RBNI, and NGWI achieving the highest predictive performance (RMSE ≈ 10.2 days). Three indices were then combined in a multivariate LSTM model, which significantly improved prediction accuracy, achieving an RMSE of 8.18 days and demonstrating robust alignment with observed harvest dates. The findings underscore the value of combining SAR and optical data for modeling complex phenological events and highlight the potential of scalable deep learning frameworks in advancing precision agriculture. Future work will expand this methodology across Western Canada and incorporate real-time weather and soil data to further enhance prediction generalizability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».