Abstract
In India, agribusiness is directly dependent on the precise monitoring of paddy areas to take considerable supportive actions toward food security. For this, satellite-based data is considered one of the effective solutions. The goal of this study is to design an intelligent framework to determine the crop area by using satellite data that is easily available. In this article, a Multi-resolution Deep Neural Network (MR-DNN) is proposed to determine rice fields by performing multi-streaming classification. The task of prediction is performed on Landsat 8 satellite images with high spatial resolution. The prediction performance of the proposed model is justified by comparing the calculated outcomes from a few selected methods. The proposed model has achieved the highest prediction performance in terms of the F1 score with the accuracy of 95.40% and 95.12% for Punjab and West-Bengal dataset as compared to the selected models, such as DeepLabV3+, Convolutional Neural Network (CNN), Support Vector Machine (SVM), Random Forest (RF), Light-Gradient Boosting Method (LGBM), eXtreme Gradient Boosting (XGBoost), Spectral, and Threshold. In this manner, the empirical evaluation defines the prediction performance of the proposed model over the visual interpretation of the maps as well as seasonal impacts.
RÉSUMÉ
En Inde, l’agro-industrie dépend directement de la surveillance précise des rizières pour prendre des mesures importantes de soutien en faveur de la sécurité alimentaire. Pour cela, les données satellitaires sont considérées comme l’une des solutions efficaces. L’objectif de cette étude est de concevoir un cadre intelligent pour déterminer la superficie cultivée en utilisant des données satellitaires facilement accessibles. Dans cet article, un réseau neuronal profond multi-résolution (MR-DNN) est proposé pour déterminer les superficies en rizières au moyen d’une classification multi-streaming. La tâche de prédiction est effectuée sur des images satellites Landsat 8 à haute résolution spatiale. La performance de prédiction du modèle proposé est justifiée par la comparaison des résultats obtenus au moyen de diverses méthodes sélectionnées. Le modèle proposé a atteint des performances de prédiction les plus élevées en termes de score F1 avec une précision de 95,40% et 95,12% pour l’ensemble de données du Pendjab et du Bengale occidental respectivement, par rapport aux modèles sélectionnés tels que DeepLabV3+, Convolutional Neural Network (CNN), Support Vector Machine (SVM), Random Forest (RF), Light-Gradient Boosting Method (LGBM), eXtreme Gradient Boosting (XGBoost), Spectral, et Threshold. De cette façon, l’évaluation empirique définit la performance de prédiction du modèle proposé par rapport à l’interprétation visuelle des cartes ainsi que les impacts saisonniers.
Disclosure statement
The authors declared that they have no conflicts of interest in this work.
Notes
1 Source: https://earthexplorer.usgs.gov/