Jun, 2024

一个针对多模态气候变化感知作物产量预测的开放和大规模数据集

PDF
TL;DR通过引入 CropNet 数据集，该研究提供了一个多模态数据集，用于在县级别上准确预测作物产量，考虑了短期和长期气候变化的影响，并验证了其在气候变化感知作物产量预测中的一般适用性和有效性。
crop yield predictionsdeep learning modelsmulti-modal datasetclimate change-awarecropnet dataset
发现论文，激发创造
  • 机器学习预测作物产量：基于田地和子田水平的输入模式和模型的广泛分析

    通过使用多个具有不同时空分辨率的输入模态处理作物产量预测问题，我们提出了一种简单而有效的早期融合方法。我们使用高分辨率作物产量图作为训练数据，通过亚区域的农作物和机器学习模型不受限地处理。我们使用 Sentinel-2 卫星图像作为主要输入模态，结合其他补充模态，包括天气、土壤和 DEM 数据。所提出的方法使用全球覆盖的输入模态，使得该框架在全球范围内可扩展。我们明确强调输入模态在作物产量预测中的重要性，并强调最佳组合的输入模态取决于地区、作物和所选择的模型。

    Aug, 2023

  • 高分辨率卫星影像用于模拟干旱对农作物生产的影响

    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 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

  • 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

  • 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

    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

  • 远程感知在子领域作物产量预测中的可解释性

    通过使用深度学习方法，本研究关注阐述粮食安全和指导政策制定者和农民的农作物产量预测任务，特别针对阿根廷、乌拉圭和德国的大豆、小麦和油菜作物，使用卫星图像、其他数据和地图，开发和解释相应作物的预测模型，以提高模型的可靠性和可解释性。

    Jul, 2024

  • 深度神经网络预测作物产量

    利用深度神经网络预测作物产量，结果表明环境因素对作物产量的影响大于基因型而且该模型的精确度优于流行的其他预测方法。

    Feb, 2019

  • 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

  • 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

  • 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