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

地球卫星观测可提供经济实惠和及时的信息，用于评估农作物状况和粮食生产，该研究通过定量评估和相互比较 11 个公开可用的土地覆盖图，使用来自 8 个国家的统计严谨的参考数据集，评估它们在非洲的作物类型分类和基于卫星观测的农业监测方面的适用性，希望研究结果能帮助用户确定最适合他们需求的地图，并鼓励未来的工作解决地图之间的不一致性和提高低准确性区域的精度。

Jul, 2023

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

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

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

通过遥感监测土地覆盖对于研究环境变化以及通过作物产量预测确保全球粮食安全至关重要。该研究建立了一个加拿大农田的时间序列数据集，包含了来自 10 个作物类别的高分辨率图像，并提供用于预测作物类别的模型和源代码，可用于加速土地覆盖的准确连续监测，以促进健壮的农业 - 环境模型的创建。

May, 2023

利用 Copernicus 计划和 Sentinel-1 记录的 Synthetic Aperture Radar 观测数据，结合随机森林分类算法和 LUCAS 2018 Copernicus 现场调查数据，成功实现了对欧盟 19 种农作物类型的 10 米级空间分辨率的识别，并对 6 个欧盟成员国主要农作物类型数据等进行了 8.21Mha 的精度评估。结果表明，所提出的方法可以支持基于高分辨率农作物识别的实时作物监控。

May, 2021

本研究利用来自 Sentinel-2 卫星图像的各种光谱波段组合，采用深度学习和基于像素的机器学习方法，对熏衣草田进行精准农业的精确分割，得出了 Dice 系数为 0.8324 的 U-Net 结构的最终模型，同时，我们的研究还强调了像素方法和红绿蓝光谱波段组合在这一任务中的意外功效。

Nov, 2023

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

使用免费且全球可用的 Sentinel-1 和 Sentinel-2 卫星图像以及少量粗糙人口普查区域的集总人口计数进行校准，我们开发了一种名为 POPCORN 的人口映射方法，其数据需求最小，却超越了现有方案的映射准确性，能够生成最新和高分辨率的人口地图，以民主化地为需要更新的地区提供资源。

Nov, 2023