ICLRApr, 2020

使用 k 最近邻方法的作物田地分类：肯尼亚小农户新数据集的基准线

PDF
TL;DR利用最新发布的 Ground-Truth 数据集，本论文提供了关于肯尼亚西部地区新数据集的背景信息并使用快速、可解释和可扩展的 k 最近邻算法，对在非典型 2019 年种植季节中收集的数据集进行分类，结果显示玉米和木薯的分类准确率分别为 64% 和 70%，这为未来的工作提供了基线。
发现论文，激发创造
  • 结合深度学习和街景影像进行小农户作物类型的绘制

    我们开发了一种利用深度学习和 Google 街景图像生成作物类型地面参考的自动化系统，能够通过利用异源图像从不同领域预测作物类型，并将预测的标签与遥感时序图像相结合，从而在泰国获得 91% 的精确度，从而实现了在全球范围内扩展地图作物类型的目的，特别是在未受服务的小农户地区。

    Sep, 2023

  • 利用农作物集计统计数据，在新区域中改善基于卫星的地图的两种转换

    该研究论文介绍了一种利用农作物统计数据来纠正卫星遥感影像分类器的方法，以提高精度；该方法可用于任何类型的分类器，作者已在 Occitanie，法国和 Kenya 西部省份使用 Linear Discriminant Analysis（LDA）成功应用。

    Sep, 2021

  • 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

  • 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

  • 在数据稀缺环境下使用深度学习进行大规模农田绘制：尼日利亚案例研究

    利用机器学习技术结合全球农田数据集和手工标注数据，对尼日利亚进行了 10 米分辨率的新农田图生成，通过评估和比较不同模型及全球土地覆盖地图的性能，发现现有的 WorldCover 地图在测试集上表现最佳。

    Dec, 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

  • 非洲农田制图的弱标注

    非洲农田绘图中的高分辨率地图建立方法探讨。通过无监督对象聚类，改善现有弱标签，并将其与稀疏的人工注释结合，用于语义分割网络的训练，以便识别农田区域。实验证明了该方法改进的弱标签的效益。

    Jan, 2024

  • 利用高斯贝叶斯模型和神经网络对来自 NASA 高光谱卫星图像数据的 GHISACONUS USGS 数据进行作物分类

    本文提供了一种使用标准 LDA、QDA 以及基于贝叶斯方法的分类方法，通过美国地质勘探局卫星搜集的包括五种农作物在内的 7000 个像素光谱数据，进行作物分类识别和生长期预测，其中使用基于贝叶斯的方法可以获得更好的结果，而神经网络的表现则与 LDA 和 QDA 类似。

    Jul, 2022

  • 高产作物田地检测：新数据集与深度学习基准测试结果

    通过使用机器操作结合时间跟踪的 Sentinel-2 图像生成高质量的数据集，并应用半监督分类、监督和自监督深度学习方法自动检测生产性农田，以解决传统手动识别的耗时和错误。结果表明在高置信正样本学习中的高准确性，并在没有完整标注数据集情况下使用对比学习等方法获得最佳性能。

    May, 2023

  • HarvestNet：利用收获堆和遥感技术检测小农业活动的数据集

    基于收割堆的遥感在农田评估中的应用

    Aug, 2023