以XAI为导向的植被指数增强方法用于农作物分类
本文研究如何利用深度学习算法,通过比较新的农作物分类模型,结合实验数据分析出数据预处理的作用和各种神经网络架构的性能,发现自我注意力机制的性能最好,但数据预处理对所有模型的性能均有提升。
Oct, 2019
本文提出一种基于深度学习技术的卫星图像细化框架,利用多光谱无人机获取的高分辨率图像信息作为训练数据,可在特定农业领域(如葡萄园生长)中优化卫星驱动的归一化植被指数(NDVI)图,生成更准确的3类葡萄园乔木优势图,使管理者能更好地描述和监测农作物状态和病害。
Apr, 2020
本文提出了一种新颖的数据融合方法,旨在从卫星图像中更好地区分农业土地覆盖,并介绍了如何将遥感领域的领域知识与深度神经网络相结合以提高模型性能。
May, 2020
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
本文提出了一种新型深度学习方法,将HRNet与可分离卷积层集成以捕获空间模式和自注意力以捕获数据的时间模式,并利用CNN解码器从聚合表示生成作物地图。该算法在生成作物地图方面达到了97.5%的高分类精度和55.2%的IoU,并表现出深度学习在地球观测系统中的巨大潜力。
Jul, 2023
草原监测的可扩展性以及可提供多样生态系统服务的特性使其具备了高生物多样性。然而,自动识别标志性植物存在困难,这阻碍了大规模草原监测的实现。本文深入探讨了这些挑战,具体关注了迁移学习和可解释人工智能(XAI)在草原监测中的应用,突出了XAI在该领域的新颖性。我们分析了各种迁移学习方法,以填补一般和草原专用数据集之间的分布差异。此外,我们展示了可解释人工智能技术如何揭示模型的领域适应能力,并通过定量评估来评估模型在准确地围绕感兴趣的对象中心化相关输入特征方面的能力。本研究为通过迁移学习增强模型性能和通过可解释人工智能衡量领域适应性做出了有价值的贡献,在农业社区内具有广泛应用的重要前景。
Dec, 2023
通过丰富的卫星图像和机器学习技术的驱动,该论文提出了一种名为CropGAN的作物生成对抗网络,以解决农作物分布图生成中源领域与目标领域之间的跨域问题,避免了目标领域标签的需求,通过学习一个映射函数将目标领域的光谱特征转换到源领域,从而实现了在目标领域产生高精度早期作物地图的目标。该方法在多个地区和年份的广泛实验中证明了其优势和有效性,与直接传输策略相比,应用CropGAN后的F1得分提高了13.13%至50.98%。
Jan, 2024
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。
Jan, 2024
本研究解决了用于农业监测的年度地图创建中数据标签依赖性的问题,尤其是在地区和年份之间的领域转变中。通过提出一种综合方法,结合基于区域的损失函数和不同的增强技术,显著提高了模型在多个年份的预测准确性。这一方法的应用有望改善大范围农田的多年度作物映射质量。
Aug, 2024
本研究解决了有效的深度学习模型在农田映射中对年度标签依赖的问题,限制了农业监测的能力。作者提出了一种综合的方法,通过使用区域基础损失函数和不同的数据增强技术,显著提升了模型在多个年份的预测准确性。此工作实现了优质的多年度作物地图生成,具有重要的农业应用潜力。
Aug, 2024