基于图像时间序列的作物映射


发布时间:

2021-03-07

来源:

本站

作者:

PhenoTrait

本文的目的是通过对卫星图像时间序列进行分类来绘制农作物映射。农业领域专家使用以树状结构组织的农作物类型标签,其中将粗类(如果园)细分为较细的类(如苹果,梨,藤蔓等)。本文开发了一种利用这些专业知识的作物分类方法,该方法能够显著改进稀有作物类型的映射。

 

ZueriCrop数据集的所有作物类别的层次结构

 


2019年收集的ZueriCrop数据集概述

 

首先,在卷积递归神经网络(convRNN)中对三层标签层次结构进行编码,使得该模型可以针对每个像素,以不同的粒度级别进行预测。这种端到端可训练的分层网络结构允许模型在较粗的层次(如果园)学习稀有类(如苹果、梨)的联合特征表示,从而提高细粒度层次的分类性能。此外,不同粒度的标签也可以根据分类分数调整输出,因为在农业实践中,具有高可信度的粗标签有时比细粒度但非常不确定的标签更有用。我们在公开的一个新的大型数据集——ZueriCrop,上验证了所提出的方法。该数据集覆盖了瑞士苏黎世和瑟高两个州50 km x 48 km的区域,共有116'000块农田,48个作物类别,以及28000个(多时相)图像块。我们比较了本文提出的分层convRNN模型与几种基线,包括为不平衡类分布设计的方法。结果显示,该分层方法在F1成绩中的表现至少优于9.9个百分点。

 

各种样品的目测结果

 

来源:

Turkoglu M O, D'Aronco S, Perich G, et al. Crop mapping from image time series: deep learning with multi-scale label hierarchies. arXiv:2102.08820.

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。