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

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

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

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

通过视觉基础模型，我们引入了“Pretrain+Prompting”范例来解读农田场景，并基于可获得的全球土地覆盖产品设计了自动提示（APT）方法。该方法实现了从通用场景到专用农田场景的精细适应过程，而无需引入额外的标签成本。我们的实验证明，该方法在遥感领域的两个亚米级农田数据集中优于传统的监督学习和微调方法。

Oct, 2023

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

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

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

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