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

利用 Copernicus 计划（ESA）的 Sentinel 卫星和 Google Earth Engine 的云计算设施，我们提供一个包括 180,662 个样本的数据集，该数据集由双极化合成孔径雷达（SAR）图像，多光谱 Sentinel-2 图像和 MODIS 地表覆盖映射的三元组组成，拥有 10 m 的地面采样距离，并覆盖所有有人居住的大陆和所有气象季节。期望该数据支持社区开发面向场景分类或地表映射的语义分割等常见任务的深度学习算法。

Jun, 2019

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

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

利用自由可用的卫星图像，探索可用于葡萄园分割问题的主要机器学习方法，并评估各种广泛使用的机器学习技术的有效性，为特定场景选择最合适的模型提供指导。

Nov, 2023

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％。

Sep, 2020

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