KDDSep, 2020

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

PDF
TL;DR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％。
crop type classificationsatellite observationsneural networkdomain shiftcrop growth stage
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

  • 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

  • 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

  • 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

  • 农业卫星时间序列监测的早期分类

    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。

    Aug, 2019

  • 结合卫星和气象数据进行作物类型地图绘制：一种逆向建模方法

    用天气和卫星影像结合的逆模型方法，提出了一种深度学习模型 WSTATT，能够精确生成农田作物分布地图，具有较传统方法更好的预测效果和提前五个月预测作物类型的能力，评估结果与作物表现学相一致。

    Jan, 2024

  • 高分辨率卫星影像用于模拟干旱对农作物生产的影响

    本篇论文介绍了一个包含同期多光谱、热学和微波数据以及关键的稻作参数注释的数据集 ——SICKLE，并在三个不同的任务上对其进行了基准测试，即庄稼类型、生长季日期（播种、移栽、收获）和预测收成，并提出了使用根据观察到的生长季节和 tamalnadu 农业大学获取的标准季节信息生成的时间序列数据的收成预测策略。该数据集提供了一个可以训练机器学习模型来进行农业遥感的研究方向。

    Sep, 2022

  • 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

  • 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