Aug, 2019

农业卫星时间序列监测的早期分类

PDF
TL;DR本文介绍用于卫星农业监测的一种新型早期分类机制，该机制能够增强现有分类模型，具有自主决策的能力，且仅通过观察卫星数据进行训练。我们在中欧农田上展示了结果，并发现此分类机制能够在植被期结束前区分许多作物类型，且分类时间和观察到的植物表现有关。
early classification mechanismsatellite-based agricultural monitoringrecurrent neural networkphenological informationcrop types
发现论文，激发创造
  • 利用分层融合卫星、旋转和上下文数据提高作物分类性能

    提出了一种融合多模态信息的方法，用于改进作物类型分类的准确性和稳健性，并针对 740 万个农业地块发布了新的注释数据集。新方法在评估中表现更好，可用于跨领域零样本学习和从法国到荷兰的少样本设定的稳健性。

    May, 2023

  • 利用生长阶段归一化的多光谱卫星观测进行季节性作物类型分类

    本文提出了一种利用卫星遥感数据进行作物分类的方法，通过将输入进行作物生长阶段的归一化处理来避免种植时间变化带来的领域漂移问题，并结合卷积神经网络和循环神经网络进行像素的分类，该方法在 2019 年美国中西部极端天气造成了种植延迟的大规模实验中表现出卓越的性能，分类精度在收获前（9 月至 11 月）为 85.4％，在季中（7 月至 9 月）为 82.8％。

    Sep, 2020

  • 多模态作物类型分类：结合多光谱卫星时间序列、农民种植轮换和当地作物分布

    该论文提出了一种基于多模态数据和分层深度学习算法的土地利用和作物类型分类方法，使用了作物轮换等领域知识和丰富的作物分布背景信息，提高了分类性能，并提出数据扩增方法来处理季节末期作物分类问题。

    Aug, 2022

  • 原始光学卫星时间序列分类的自注意力

    本文研究如何利用深度学习算法，通过比较新的农作物分类模型，结合实验数据分析出数据预处理的作用和各种神经网络架构的性能，发现自我注意力机制的性能最好，但数据预处理对所有模型的性能均有提升。

    Oct, 2019

  • 卫星多光谱图像时间序列农作物分类的深度学习模型的时空权衡

    本篇研究分析多光谱时间序列上几种结构化深度学习模型对农作物分类的影响，结果发现最佳表现的方式是大部分参数用于建模数据的时间结构。这些结果可以作为设计定制的深度学习模型进行农作物分类的指南。

    Jan, 2019

  • 基于端到端学习的时间序列早期分类，用于季节性农作物类型映射

    本文提出了基于 End-to-End Learned Early Classification of Time Series (ELECTS) 的模型，通过训练远程感知卫星获取的时间序列数据来进行预测并提高农作物分类的准确性和判断速度。该模型不仅可以提高分类准确性，同时还能在不降低准确性的情况下尽可能地减少需要下载、存储和处理的数据量。

    Jan, 2019

  • 基于循环卷积神经网络 (R-CNN) 从 Sentinel-2 数据中学习时间特征，提高土地覆盖和作物分类

    本文开发了基于时序相关性的 Pixel R-CNN 模型，可以通过学习多幅图像的时间相关性来进行自动特征提取，从而实现低成本农作物分类，对 15 种作物进行了测试。与传统算法相比，该模型在中北部意大利农业系统拥有支配性经济作物类型的数据集上获得了 96.5％的准确率，为进行多时序分类任务提供了高度准确且低成本的方法。

    Apr, 2020

  • 使用深度学习对遥感影像植被进行语义分割

    本文介绍了一种利用机器学习技术，结合公开遥感数据，使用卷积神经网络模型实现不同类植被的分离的方法，旨在解决处理遥感数据的效率问题。

    Sep, 2022

  • 运用迁移学习实现全球农作物地图

    本文使用卫星数据和深度学习方法，建立一个基于转移学习的农作物类型检测模型，成功地在韩国、法国、西班牙和荷兰等地区对水稻和大麦进行了检测。

    Nov, 2022

  • 基于无人机和机器学习的卫星驱动植被指数精细化农业应用优化

    本文提出一种基于深度学习技术的卫星图像细化框架，利用多光谱无人机获取的高分辨率图像信息作为训练数据，可在特定农业领域（如葡萄园生长）中优化卫星驱动的归一化植被指数（NDVI）图，生成更准确的 3 类葡萄园乔木优势图，使管理者能更好地描述和监测农作物状态和病害。

    Apr, 2020