May, 2023

加拿大农田数据集：用于农业多时相深度学习分类的新地表覆盖数据集

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 生成土地覆盖分类训练数据集以推进全球发展

    使用 Sentinel-2 卫星数据和 Random Forests 算法的语义分割技术可用于高精度地图绘制，为农业和经济发展提供一种可行技术。

    Nov, 2018

  • 利用深度学习技术进行土地利用和土地覆盖分类

    通过使用深度卷积神经网络分类空间分辨率非常高（VHR）、正射成像的可见光多光谱图像，本论文探索了自动土地利用 / 土地覆盖（LULC）分类的潜力

    May, 2019

  • 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

  • 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

  • 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

  • 一个针对多模态气候变化感知作物产量预测的开放和大规模数据集

    通过引入 CropNet 数据集，该研究提供了一个多模态数据集，用于在县级别上准确预测作物产量，考虑了短期和长期气候变化的影响，并验证了其在气候变化感知作物产量预测中的一般适用性和有效性。

    Jun, 2024

  • 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

  • 使用可转移深度模型进行高分辨率遥感影像土地覆盖分类

    本文提出了一种利用深度神经网络对高分辨率遥感图像进行无监督地物分类的方案，通过未标记遥感图像进行伪标注和样本选择来提高模型的转移性，并通过细化预先训练好的模型，组合分块分类和分层分割实现像素级地物分类。

    Jul, 2018