Monitoring and Predicting Desert Locust Plague Severity in Asia–Africa Using Multisource Remote Sensing Time-Series Data

Abstract

El brote de la plaga de langosta del desierto a gran escala en 2020 ha atraído una gran atención en el mundo y ha causado graves daños a la seguridad alimentaria y los medios de vida de los pueblos africanos y asiáticos. Las técnicas de teledetección pueden proporcionar retroalimentación indirecta sobre las plagas de langostas, facilitando el monitoreo rápido y en tiempo real de la aparición y el desarrollo de langostas, lo que es de gran importancia para garantizar la seguridad y la estabilidad alimentaria nacional y regional. El Modelo Oculto de Markov (HMM) es un modelo clásico de aprendizaje automático que se ha aplicado ampliamente en los campos de la minería de datos de series temporales. En este estudio, nuestro objetivo es predecir la gravedad de la plaga de langostas en las tierras de cultivo utilizando las características de cambio dinámico de series de tiempo extraídas de los datos de teledetección a través de HMM. Además, evaluamos los daños en las tierras de cultivo utilizando métodos de detección de cambios mediante la comparación del espectro de cultivos antes y después de la plaga de langostas a partir de imágenes hiperespectrales de dos fases (23 de febrero y 7 de marzo de 2020) que cubren el área del subestudio (norte de Narok, Kenia). Evaluado por los datos de la verdad del terreno, el OA de los resultados previstos de la gravedad de la plaga en abril, mayo y junio y Jul son 0.78, 0.71, 0.74 y 0.72, respectivamente. La clasificación de la cubierta terrestre OA del área de subestudio de las imágenes de dos fases es 97.45 y 96.14. Nuestro estudio demuestra la validez del método basado en hmm utilizando los datos de series de tiempo de teledetección para predecir la plaga de langostas y evaluar su daño. Los resultados de la detección de cambios en las tierras de cultivo sugieren que el daño de las langostas se puede evaluar cuantitativamente utilizando imágenes hiperespectrales.L'épidémie de peste acridienne à grande échelle en 2020 a attiré une large attention dans le monde et causé de graves dommages à la sécurité alimentaire et aux moyens de subsistance des populations africaines et asiatiques. Les techniques de télédétection peuvent fournir une rétroaction indirecte sur les pestes acridiennes, facilitant un suivi rapide et en temps réel de la présence et du développement des criquets, ce qui est d'une grande importance pour assurer la sécurité et la stabilité alimentaires nationales et régionales. Le modèle de Markov caché (HMM) est un modèle d'apprentissage automatique classique qui a été largement appliqué dans les domaines de l'extraction de données chronologiques. Dans cette étude, nous visons à prédire la gravité de la peste acridienne dans les terres cultivées à l'aide des caractéristiques de changement dynamique des séries chronologiques extraites des données de télédétection via HMM.En outre, nous évaluons les dommages sur les terres cultivées à l'aide de méthodes de détection de changement en comparant le spectre des cultures avant et après la peste acridienne à partir d'images hyperspectrales en deux phases (23 février et 7 mars 2020) couvrant la zone de sous-étude (nord de Narok, Kenya) .Évalué par les données de vérité au sol, l'OA des résultats prédits de la gravité de la peste en avril, mai, juin, et Jul sont 0,78, 0,71, 0,74 et 0,72, respectivement. La classification de la couverture terrestre OA de la zone de sous-étude des images en deux phases est de 97,45 et 96,14. Notre étude démontre la validité de la méthode basée sur HMM en utilisant les données de séries chronologiques de télédétection pour prédire la peste acridienne et évaluer ses dommages. Les résultats de la détection des changements de terres cultivées suggèrent que les dommages des criquets peuvent être évalués quantitativement à l'aide d'images hyperspectrales.The outbreak of large-scale desert locust plague in 2020 has attracted wide attention in the world and caused serious damage to food security and livelihood of African and Asian people.Remote sensing techniques can provide indirect feedback on locust plagues, facilitating quick and real-time monitoring of the occurrence and development of locusts, which is of great significance for ensuring national and regional food security and stability.The Hidden Markov Model (HMM) is a classic machine learning model that has been widely applied in the fields of time-series data mining.In this study, we aim to predict the severity of locust plague in croplands using the time-series dynamic change features extracted from remote sensing data via HMM.In addition, we assess the damages on the croplands using change detection methods by comparing the crop spectrum before and after the locust plague from two-phase (Feb 23 and Mar 7, 2020) hyperspectral images covering sub-study area (northern Narok, Kenya).Evaluated by the ground truth data, the OA of predicted results of the plague severity in Apr, May, Jun, and Jul are 0.78, 0.71, 0.74, and 0.72, respectively.The land cover classification OA of the sub-study area of the two-phase images are 97.45 and 96.14.Our study demonstrates the validity of the HMM-based method using the remote sensing time-series data to predict locust plague and evaluate its damage.The results of the cropland change detection suggest that the damage of locusts can be quantitatively evaluated using hyperspectral images.اجتذب تفشي طاعون الجراد الصحراوي على نطاق واسع في عام 2020 اهتمامًا واسعًا في العالم وتسبب في أضرار جسيمة للأمن الغذائي وسبل عيش الشعوب الأفريقية والآسيوية. يمكن لتقنيات الاستشعار عن بعد أن توفر ردود فعل غير مباشرة على طاعون الجراد، مما يسهل المراقبة السريعة وفي الوقت الفعلي لحدوث الجراد وتطوره، وهو أمر ذو أهمية كبيرة لضمان الأمن الغذائي والاستقرار على الصعيدين الوطني والإقليمي. نموذج ماركوف الخفي (HMM) هو نموذج كلاسيكي للتعلم الآلي تم تطبيقه على نطاق واسع في مجالات استخراج البيانات السلاسل الزمنية. في هذه الدراسة، نهدف إلى التنبؤ بخطورة طاعون الجراد في الأراضي الزراعية باستخدام ميزات التغيير الديناميكي للسلاسل الزمنية المستخرجة من بيانات الاستشعار عن بعد عبر HMM. بالإضافة إلى ذلك، نقوم بتقييم الأضرار التي لحقت بالأراضي الزراعية باستخدام طرق الكشف عن التغيير من خلال مقارنة طيف المحاصيل قبل وبعد طاعون الجراد من مرحلتين (23 فبراير و 7 مارس 2020) صور فائقة الطيف تغطي منطقة الدراسة الفرعية (شمال ناروك، كينيا). تم تقييمها بواسطة بيانات الحقيقة الأرضية، OA للنتائج المتوقعة لشدة الطاعون في أبريل ومايو ويونيو، و يوليو 0.78، 0.71، 0.74، و 0.72، على التوالي. تصنيف الغطاء الأرضي OA لمنطقة الدراسة الفرعية للصور ذات المرحلتين هي 97.45 و 96.14. توضح دراستنا صحة الطريقة القائمة على HMM باستخدام بيانات السلاسل الزمنية للاستشعار عن بعد للتنبؤ بطاعون الجراد وتقييم أضراره. تشير نتائج الكشف عن تغير الأراضي الزراعية إلى أنه يمكن تقييم تلف الجراد كمياً باستخدام الصور فائقة الطيف.