通过对多个数据集进行比较，本研究评估了多种融合策略对农作物分类的影响，发现多视角融合方法能够超越单个视角和先前的融合方法，在选择融合方法时提出了初步的标准。

Aug, 2023

利用多视角学习方法和多视图门控融合模型 (MVGF)，本研究预测不同作物和地区的农作物产量，数据源包括 Sentinel-2 卫星的多光谱光学图像和作物生长季节的气象数据，以及土壤特性和地形信息等静态特征，实验结果表明 MVGF 模型相较于传统模型在预测任务上具有更好的表现，达到了 0.68 的 R2 值。

Jan, 2024

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

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

通过使用来自不同卫星传感器获取的图像，已经证实在卫星图像时间序列（SITS）的作物分布图框架中，可以提高分类性能。现有的最新架构使用自注意机制处理时间维度和卷积处理空间维度。受到单模态 SITS 作物分布图中纯注意力架构的成功启发，我们引入了几种多模态多时序变换器架构。具体来说，我们研究了在时间空间视觉变换器（TSViT）中早期融合、交叉注意融合和同步类标记融合的有效性。实验结果表明，相较于具有卷积和自注意组件的最新架构，我们的架构显著改善了性能。

Jun, 2024

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

本研究提出一种基于序列编码器 - 解码器结构的植被类的物候模型，特别考虑了观测序列中的云量过滤，最终使用无需繁琐的预处理步骤实现了无云涵盖下对不同种类的农作物进行地表覆盖分类的最佳结果。

Feb, 2018

本研究旨在回顾地球观测的多视角融合模型的文献，并整合总结相关术语和方法，其中涉及了利用神经网络模型的有监督学习。通过该研究，希望此文献能够促进未来研究并推动该领域的统一进步。

Dec, 2022

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