Integration of Optical and Radar Image Time Series with Supervised Learning and Geospatial Intelligence for Early Mapping of Rice and Maize Crops in the Baixo Mondego Region.

Abstract

The availability of information on the spatial distribution of agricultural crops is a critical factor in supporting the decision-making process. However, providing this information in the post-agricultural season compromises its utility in addressing technical issues related to agricultural production itself, as well as in administrative and policy decisions whose timing occurs before the crop harvest. Despite this need, studies indicate that while the distinction between agricultural crops is most effective at the end of the season, rapid and automated early mapping techniques using satellite imagery and advanced methods like machine learning are enabling high classification accuracies and can significantly improve agricultural planning and optimization of practices, policies and resource allocation.The objective of this study was to automate the early mapping of maize and rice agricultural plots using satellite imagery, with the utilization of time series of polarimetric and multispectral data, and the combination of geospatial intelligence and supervised learning in a cloud computing environment.The study is situated within the context of Portugal, where the mapping of agricultural crops from satellite images has been in the experimental phase for less than five years. The study was applied to the agricultural plots of the Baixo-Mondego valley, which is located in the central region of Portugal.To establish a robust and effective methodology for crop mapping from satellite data, a thorough review of 70 relevant articles was conducted. This review revealed that, in recent years, the most effective approach to agricultural mapping from satellite images involves the fusion of time series data from different sensors and the use of supervised computational learning.The applied methodology consisted of the incremental classification of time series of satellite images throughout the summer agricultural season, using SVM and RF algorithms. The methodology combines geospatial intelligence and supervised learning in a approach that fuses SAR and multispectral data, and another in parallel that uses only multispectral data. This methodology enables the mapping of the evolution of classification, the assessment of the significance of characteristics derived from satellites, and the evaluation of the contribution of radar data in optimizing early mapping.The findings indicated that the methodology employing fused data can enhance the efficacy of classification models by up to 6.26\%. Moreover, the magnitude of classification improvement was observed to increase with the proximity to spring. This is supported by the paucity of high-quality optical images and the incorporation of radar data with geometric information about crops at their early stages.The classification line with models trained using the RF algorithm proved to be more efficient in minimizing the time required to achieve acceptable performance (equal to or greater than 90\%), as evidenced by an accuracy of 91.45\% on June 20th and an F1-Score of 90.88\% on June 30th. In contrast, the classification line with models trained using the SVM algorithm only reached an accuracy of 92.33\% on July 10th and an F1-Score of 91.86\% on July 30th, resulting in a delay of approximately 20-30 days in achieving acceptable performance.The proposed approach proved to be relevant, as the precise and timely classification of agricultural crops not only allows for the optimization of agricultural production processes and resources but also facilitates inclusive technological advancement. This advancement maximizes the economy and minimizes the environmental impact, thereby contributing to food security. Future research should continue to refine the use of data obtained through space technology and processed through cloud computing environments, with a view to improving inclusive support for precision agriculture.

A disponibilização de informação sobre a distribuição espacial das culturas agrícolas é um fator crítico no apoio ao processo de tomada de decisão. A disponibilização dessa informação no período pós-temporada agrícola compromete a sua utilização em problemas técnicos relacionados com a própria produção agrícola, bem como em decisões administrativas e políticas cujo momento de decisão ocorre antes da colheita das culturas. Apesar desta lacuna, alguns estudos indicam que, embora a distinção entre culturas agrícolas seja mais eficaz no final da temporada, técnicas rápidas e automatizadas de mapeamento precoce, utilizando imagens de satélite e e métodos de classificação avançados, como a aprendizagem automática, permitido obter classificações com exatidões elevadas e podem, consequentemente, melhorar substancialmente o planeamento agrícola e a otimização de práticas, políticas e alocação de recursos.O objetivo deste estudo foi automatizar o mapeamento precoce das parcelas agrícolas de milho e arroz a partir de imagens de satélite, utilizando séries temporais de dados polarimétricos e multiespectrais, e combinando inteligência geoespacial e aprendizagem supervisionada em ambiente de computação na nuvem.O estudo insere-se no contexto de Portugal, onde o mapeamento de culturas agrícolas a partir de imagens de satélite está em fase experimental há menos de 5 anos, e foi aplicado às parcelas agrícolas do vale do Baixo-Mondego, localizado na região central de Portugal.Para estabelecer uma metodologia robusta e eficaz para o mapeamento de culturas a partir de dados de satélite, foi realizada uma revisão aprofundada de 70 artigos relevantes. Esta revisão revelou que, nos últimos anos, a abordagem mais eficaz para o mapeamento agrícola a partir de imagens de satélite envolve a fusão de dados de séries temporais de diferentes sensores e o uso de aprendizagem computacional supervisionada.A metodologia aplicada consistiu na classificação incremental de séries temporais de de imagens de satélite ao longo da temporada agrícola de verão, utilizando algoritmos SVM e RF. A metodologia combina inteligência geoespacial e aprendizagem supervisionada numa abordagem com fusão de dados SAR e multiespectral, e noutra, que utiliza apenas dados multiespectrais. Esta metodologia permite mapear a evolução da classificação, a importância das características derivadas dos satélites e o contributo dos dados SAR na otimização do mapeamento precoce.Os resultados obtidos mostraram que a abordagem com dados combinados pode melhorar o desempenho dos modelos de classificação até 6,26\% e que o grau de melhoria da classificação aumenta quanto maior for a proximidade da primavera, o que é justificado pela escassez de disponibilidade de imagens ópticas de qualidade e pelo complemento dos dados de radar com informação geométrica sobre as culturas em estado inicial.A linha de classificação com modelos treinados com o algoritmo RF demonstrou ser mais eficiente ao minimizar o tempo necessário para alcançar um desempenho aceitável (igual ou superior a 90\%), registando uma precisão de 91,45\% a 20 de junho e uma pontuação F1-Score de 90,88\% a 30 de junho. Em contraste, a linha de classificação com modelos treinados com o algoritmo SVM só alcançou uma precisão de 92,33\% a 10 de julho, e uma pontuação F1-Score de 91,86\% a 30 de julho, atrasando o alcance do desempenho aceitável em 20-30 dias.A abordagem proposta revelou-se relevante, pois a classificação precisa e atempada das culturas agrícolas não só permite a otimização da gestão dos processos e recursos de produção agrícola, como também promove um avanço tecnológico inclusivo. Este avanço maximiza a economia e minimiza o impacto ambiental, contribuindo assim para a segurança alimentar. Investigações futuras devem continuar a aperfeiçoar a utilização de dados obtidos através de tecnologia espacial e processados por aprendizagem em ambientes computacionais na nuvem, visando melhorar o suporte inclusivo à agricultura de precisão.