运用迁移学习实现全球农作物地图
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
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
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
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
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
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
本研究利用地球观测数据、机器学习和大数据方法开发应用程序,致力于监测共同农业政策(CAP)、食品安全及智能耐荒农业等领域,在解决机器学习模型训练的注释数据不足以及推导的价值落实到实际决策之间的差距等问题上取得了一定的方法创新和研究进展。具体来说,通过数据立方体、分布式学习和数据语义化等技术,不仅实现了农作物类型和生长状态估计的预测,也为应对实际农业问题提供了因果解释等机器学习技术支撑。
Nov, 2022
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