Jan, 2024

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

PDF
TL;DR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。
crop mappingmachine learning modelsdeep learning modelweather-based spatio-temporal segmentationattention
发现论文，激发创造
  • 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

  • 卫星多光谱图像时间序列农作物分类的深度学习模型的时空权衡

    本篇研究分析多光谱时间序列上几种结构化深度学习模型对农作物分类的影响，结果发现最佳表现的方式是大部分参数用于建模数据的时间结构。这些结果可以作为设计定制的深度学习模型进行农作物分类的指南。

    Jan, 2019

  • 利用生长阶段归一化的多光谱卫星观测进行季节性作物类型分类

    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

  • 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

  • MMST-ViT：多模态时空视觉转换器的气候变化感知作物产量预测

    通过考虑短期气象变化和长期气候变化对作物的影响，基于多模态时空视觉变换器（MMST-ViT）开发了一个基于深度学习的解决方案，用于预测美国各县的作物产量，并展示其在三个性能指标上优于同类产品。

    Sep, 2023

  • 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

  • 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

  • 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

  • 增强型注意力时空分割用于地物覆盖制图

    本文介绍一种基于 UNet 结构，与双向 LSTM 和 Attention 机制相结合的创新架构，旨在共同利用卫星数据的时空性质，更好地识别各种土地覆盖的独特时间模式， 并将其用于全球多个地区的作物测绘。实验结果表明，该方法能够缓解噪声和识别区分性时间段的有效性，并与其他最先进的方法在两个实际数据集上进行定量和定性比较。

    May, 2021

  • 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