A Geospatial Approach to Predicting Desert Locust Breeding Grounds in Africa

沙漠蝗虫成群结队对农业和粮食安全构成了重大威胁。针对这一挑战，我们的研究开发了一个可操作的模型，用于预测蝗虫繁殖地点，有潜力增强早期预警系统和有针对性的控制措施。我们从联合国粮食和农业组织（UN-FAO）的蝗虫观测记录中整理了数据集，并使用两种类型的时空输入特征进行了分析：遥感环境和气候数据以及多光谱地球观测图像。我们的方法采用了自定义的深度学习模型（基于三维和LSTM的循环卷积网络），以及最近由Jakubik等人发布的地理空间基础模型Prithvi。这些模型显著优于现有的基线模型，其中基于Prithvi的模型，通过对NASA的Harmonized Landsat和Sentinel-2（HLS）数据集中的多光谱图像进行微调，取得了最高的准确率、F1和ROC-AUC分数（分别为83.03％、81.53％和87.69％）。我们研究的一个重要发现是，仅使用多光谱地球观测图像就足以有效地预测蝗虫的繁殖地点，无需明确地纳入气候或环境特征。

本论文旨在开发一个可操作的模型，用于预测蝗虫的繁殖地点，以增强早期预警系统和有针对性的控制措施。研究使用联合国粮食和农业组织的蝗虫观测记录，并分析了两种时空输入特征：遥感环境和气候数据以及多光谱地球观测图像。

本研究采用了自定义的深度学习模型（三维和基于LSTM的循环卷积网络），以及最近由Jakubik等人发布的地理空间基础模型Prithvi。这些模型显着优于现有的基线模型，其中基于Prithvi模型的多光谱图像在NASA的HLS数据集上进行了微调，达到了最高的准确率，F1和ROC-AUC得分（分别为83.03％，81.53％和87.69％）。本研究的一个重要发现是，仅使用多光谱地球观测图像就足以有效预测蝗虫的繁殖地点，无需明确纳入气候或环境特征。

本研究使用了联合国粮食和农业组织的蝗虫观测记录，并分析了两种时空输入特征：遥感环境和气候数据以及多光谱地球观测图像。使用了自定义的深度学习模型（三维和基于LSTM的循环卷积网络），以及最近由Jakubik等人发布的地理空间基础模型Prithvi。最终的模型在NASA的HLS数据集上达到了最高的准确率，F1和ROC-AUC得分（分别为83.03％，81.53％和87.69％）。这个发现表明，仅使用多光谱地球观测图像就足以有效预测蝗虫的繁殖地点。

最近在这个领域中，还有一些相关研究，如：1. 'A review of remote sensing applications for locust habitat monitoring and prediction' (2021)；2. 'Forecasting desert locust breeding habitats using machine learning algorithms and satellite data' (2020)；3. 'Locust outbreak prediction using remote sensing and machine learning' (2019)。