3.4 KiB
3.4 KiB
5
Crop: Hazelnut Date of Lecture: 16 de julio de 2025 Link: https://www.iris.unicampus.it/handle/20.500.12610/78544?utm_source=chatgpt.com Name: Hazelnut mapping detection system using optical and radar remote sensing: Benchmarking machine learning algorithms Type: Detection
1. Contesto e obiettivo
Il lavoro presenta un sistema di rilevamento delle colture di noccioli (Corylus avellana) basato su dati multitemporali di telerilevamento ottico (Sentinel‑2) e radar (Sentinel‑1). Il suo scopo è quello di mappare i frutteti di noccioli per supportare la pianificazione territoriale e l'agricoltura di precisione cooperativa, attraverso uno studio comparativo di diversi algoritmi di Machine Learning .
2. Metodologia
- Fonte dei dati
- Sentinel‑1 (SAR C‑band, VV e VH): 12 compositi mensili mediati dopo filtraggio dello “speckle” e correzione geometrica.
- Sentinel‑2 (ottico): 12 immagini mensili medie di livello 2A, con 10 bande (RGB, red‑edge, SWIR), ricampionate a 10 m .
- Estrazione delle caratteristiche
- Ogni pixel (10×10 m) genera un vettore di 144 variabili (24 radar + 120 ottiche).
- Sono stati campionati 62.982 punti etichettati: 16.561 “nocciolo” e 46.421 “altro” (8 zone eterogenee di Viterbo) .
- Progettazione degli esperimenti
- Test 1: Nested 5-Fold Cross-Validation su una zona per ottimizzare gli iperparametri.
- Test 2: Addestramento in un'area e convalida nelle altre 7 zone, valutando la generalizzazione.
- Test 3: Analisi della robustezza rispetto allo squilibrio dell'insieme (25/50/75% “nocciolo”).
- Algoritmi confrontati
- Basati su istanze: kNN, albero decisionale
- Basati su kernel: SVM
- Ensemble: Random Forest (RF), AdaBoost
- Statistici: LDA, Logistic Regression (LG), Naive Bayes (NB)
- Deep Learning: ANN, 1D‑CNN .
3. Risultati chiave
| Esperimento | Miglior modello | Precisione (%) | F1 “nocciolo” (%) |
|---|---|---|---|
| Test 1 | SVM | 99,8 ± 0,1 | 99,9 ± 0,1 |
| Test 2 | Random Forest | 95,6 | 91,3 |
| Test 3 | RF (tutti i set) | 94–95 | 85–90 |
- Test 1 (validazione interna): SVM ha ottenuto il risultato migliore con un'accuratezza dello 0,998, F1≈0,999/0,996 (altro/nocciolo) .
- Test 2 (generalizzazione): RF ha ottenuto 95,6 % di accuratezza e F1=0,913 per “nocciolo” .
- Test 3 (squilibrio): anche con solo il 25 % di campioni di “nocciolo”, RF ha mantenuto >91 % di precisione e F1>0,85, dimostrando robustezza .
4. Discussione e conclusioni
- Elevata capacità di generalizzazione in zone diverse, grazie alla fusione ottico-radar e alla RF.
- Vantaggi dell'utilizzo di dati liberi (Sentinel + GEE): scalabilità e replicabilità in altre regioni.
- Limiti:
- La risoluzione spaziale (10 m) genera “salt-and-pepper” ai bordi degli appezzamenti.
- Rilevamento diffuso di frutteti giovani (<4 anni) a causa del predominio del suolo nel segnale .
- La trasferibilità a climi molto diversi richiede un nuovo addestramento e una nuova regolazione.
Raccomandazioni future
- Utilizzare dati a risoluzione più elevata o pansharpening.
- Esplorare serie temporali profonde (LSTM, Transformers) per catturare la fenologia.
- Concentrarsi sulle variabili più rilevanti (bande IR e SWIR in estate) per migliorare l'efficienza .