Dec, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 非洲农田制图的弱标注

    非洲农田绘图中的高分辨率地图建立方法探讨。通过无监督对象聚类，改善现有弱标签，并将其与稀疏的人工注释结合，用于语义分割网络的训练，以便识别农田区域。实验证明了该方法改进的弱标签的效益。

    Jan, 2024

  • 数据稀缺地区快速响应作物地图

    针对在没有足够地面数据的情况下快速制定农地地图的需求，该研究提出了一种利用机器学习进行快速地图绘制的方法，并在 10 天内为多哥制定了高分辨率农地地图，以应对新冠肺炎疫情带来的问题。

    Jun, 2020

  • 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

  • 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

  • 农业精密种植：利用机器学习和 Sentinel-2 卫星图像进行作物映射

    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

  • 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

  • 基于图像时间序列的作物分类映射：使用多尺度标签层次结构的深度学习

    本文旨在通过分类卫星图像时间序列来绘制农作物的地图，开发了一种利用专家知识的农作物分类方法，并将三级标签层次结构编码至卷积循环神经网络中，该神经网络能够同时学习罕见珍贵类别在更宏观层次上的特征表示，提高了细粒度分类的性能，并能够根据置信度和农业实践需求进行输出调整。在新的公共数据集 ZueriCrop 上的实验表明，相比于其他基于不平衡类分布的方法，该分层式卷积循环神经网络模型的分类性能至少提高了 9.9 个百分点。

    Feb, 2021

  • 利用 GNN-RNN 方法捕捉地理空间和时间信息：应用于农作物产量预测

    本文通过引入新的图形循环神经网络，将地理和时间信息嵌入到机器学习模型中，进一步提高了作物产量预测的预测能力，并验证了其在各种指标上优于现有的先进方法，为未来的研究提供了坚实的基础。

    Nov, 2021