Regional Crop Characterization Using Multi-Temporal Optical and Synthetic Aperture Radar Earth Observations Data

Abstract

Crop biophysical parameters, such as Leaf Area Index (LAI) and biomass, are essential for estimating crop productivity, yield modeling, and agronomic management. This study used several features extracted from multi-temporal Sentinel-1 Synthetic Aperture Radar (SAR) and spectral vegetation indices extracted from Sentinel-2 optical data to estimate crop LAI and wet and dry biomass. Various machine learning algorithms, including Random Forest Regression (RFR), Support Vector Regression (SVR), and Artificial Neural Network (ANN), were trained and assessed for three major crops (wheat, soybeans and canola). ANN provided the best accuracy for all wheat parameters and soybean LAI and canola wet biomass and LAI. RFR led to higher accuracy for soybean dry and wet biomass. However, SVR could accurately estimate only canola dry biomass. All data were then pooled to investigate if a single algorithm could estimate biophysical parameters for all crops. The RFR model accurately estimated wet and dry biomass and LAI across all crop types in this scenario. This generic model is fast and accurate and can be easily applied for crop mapping and monitoring over large geographies using cloud computing platforms, such as Google Earth Engine.

RÉSUMÉ

Les paramètres biophysiques des cultures, tels que l'indice de surface foliaire (ISF) et la biomasse, sont essentiels pour l'estimation de la productivité des cultures, la modélisation du rendement et la gestion agronomique. Cette étude a utilisé plusieurs caractéristiques extraites d’images multitemporelles du radar à synthèse d'ouverture (RSO) de Sentinel-1 et des indices spectraux de végétation des données optiques de Sentinel-2 pour estimer l’ISF et la biomasse humide et sèche des cultures. Divers algorithmes d'apprentissage automatique, dont la régression par forêt aléatoire (RFA), la régression par vecteur de support (RVS) et le réseau neuronal artificiel (RNA), ont été entraînés et évalués pour trois cultures principales (c'est-à-dire le blé, le soja et le canola). Le RNA a fourni la meilleure précision pour tous les paramètres du blé et l’ISF du soya et la biomasse humide et l’ISF du canola. Le RFA a donné une meilleure précision pour la biomasse sèche et humide du soja. Cependant, le RVS n'a pu estimer avec précision que la biomasse sèche du canola. Toutes les données ont ensuite été regroupées afin de déterminer si un seul algorithme pouvait estimer les paramètres biophysiques pour toutes les cultures. Le modèle RFA a estimé avec précision la biomasse humide et sèche et l’ISF pour tous les types de cultures dans ce scénario. Ce modèle générique est rapide et précis et peut être facilement appliqué pour la cartographie et le suivi des cultures sur de vastes étendues géographiques à l'aide de plateformes informatiques en nuage, telle que Google Earth Engine.

Acknowledgments

The authors would thank the SMAPVEX16 team and Agriculture and Agri-Food Canada for providing the in-situ measurements, and the European Space Agency for Sentinel-1 and Sentinel-2 data and making the open-source SNAP toolbox available. Also, we appreciate Prof. Avik Bhattacharya and Swarnendu Sekhar Ghosh, from Microwave Remote Sensing Lab, Centre of Studies in Resources Engineering, Indian Institute of Technology Bombay Mumbai, for helpful technical discussions and analyzing the results of this research. Finally, we thank the Quebec Ministry of International Relations and Francophonie for partially funding this research through the 2020–2022’s Quebec-Maharashtra Cooperation Program.

Notes

1 https://stats.stackexchange.com/questions/61783/bias-and-variance-in-leave-one-out-vs-k-fold-cross-validation