Oct, 2023

利用行政数据清单创建可靠的全球农作物类型监测参考数据库

HTML
PDF
TL;DR机器学习技术在地球观测挑战上的应用取得了巨大的突破，但缺乏足够的参考数据已经成为新的瓶颈。本文以 E URO C ROPS 为例，展示了一个用于农作物类型分类的参考数据集，通过整合多个国家的行政数据，并实现跨国互操作性，以解决大规模可靠高质量参考数据的问题。
发现论文，激发创造
  • 基于AI的可持续发展目标评估：以地球观测数据作物检测为例

    本文介绍了应用AI和地球观测数据对可持续发展目标进行监测的方法，提出了一种基于U-net和SE块的卫星图像分割模型用于作物检测，同时提出了建立评估基础设施以实现更好实现SDGs的未来研究方向。

    Jul, 2019

  • 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

  • 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

  • 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

  • 大地数据和机器学习支持可持续和有弹性的农业

    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

  • 利用深度学习识别LUCAS作物覆盖照片中的作物

    本文利用深度学习对地面影像进行农作物分类，选取EU's LUCAS数据库中的12种作物数据集，使用Mobile-net模型进行识别并通过信息论进行结果加工和后处理，并验证结果与EU的农业政策的实际应用相关性。

    May, 2023

  • 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

  • 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

    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

  • 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

  • 基础模型在作物类型映射中的泛化能力研究

    本研究解决了基础模型在不同地理位置的泛化能力不足的问题，特别是在农业领域面临的迁移学习挑战。通过比较几种流行的基础模型，本研究发现专门为Sentinel-2设计的预训练权重在面临有限样本时表现优越，显示出在数据稀缺的地区应用的潜力。这项研究为改进作物分类方法提供了有效的见解，促进了开发中国家精准农业的发展。

    Sep, 2024