A Technique to Classify Sugarcane Crop from Sentinel-2 Satellite Imagery Using U-Net Architecture

Satellitenbilddaten, die von verschiedenen modernen und älteren Versionen von Satelliten gesammelt wurden, decken ihre Anwendungen in einer Vielzahl von Bereichen auf. Einer der Bereiche mit großer Bedeutung ist der landwirtschaftliche Bereich. Satellitenbilddaten können signifikant in landwirtschaftlichen Anwendungen verwendet werden, um die Präzision und Effizienz der Landwirtschaft zu steigern. Diese Bilder sind von großer Bedeutung für Anwendungen wie Krankheitserkennung, Ernteklassifizierung, Wetterüberwachung und Flächennutzung. In diesem Aufsatz schlagen wir eine Technik zur Klassifizierung von Zuckerrohrpflanzen aus den Satellitenbildern vor, die einen überwachten maschinellen Lernansatz nutzt. Im Gegensatz zu unbeaufsichtigten Modellen beruht diese Technik auf den vom Bauernhof gesammelten Bodenrichtigkeitsdaten, um das Modell zu trainieren, zu testen und zu validieren. Die Bodenproben enthalten vier Phasen, Keimung, Bearbeitung, großes Wachstum und Reife des Zuckerrohrwachstums. Diese gesammelten Informationen fungieren als Input für die U-Net-Architektur, die die einzigartige Merkmale des Zuckerrohrfelds extrahieren und die Zuckerrohrernte weiter klassifizieren wird.