.png){kind=icon}
返回
Automatic crop type mapping based on crop-wise indicative features
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jag.2025.104554.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
利用遥感影像进行作物类型制图对于及时获取作物种植信息至关重要。然而，大规模作物类型制图常因地面真值数据的缺失和可用无云光学影像的空间时间异质性而受阻。本研究提出了日作物指示特征（DCIF）的概念，用于自动作物制图以解决这一问题。作物指示特征（CIF）被定义为一种综合特征，能够显著区分目标作物与其他所有类别，其CIF值表现出极化趋势，即目标作物的值接近1，其他作物的值接近0。Logistic Regression（LR）模型被用于学习目标作物在每单日的CIF，称为CIF提取器。随后利用时间序列分析方法（即季节性趋势分解）和插值方法处理离散时间序列的CIF提取器，这些提取器是基于各日的训练样本分别训练的。该过程产生了DCIF提取器，能够捕捉整个生长期内任意给定日的独特特征模式。DCIF提取器产生的综合特征随后作为Otsu算法的输入，以自动区分目标作物与其他作物。我们在中国的黑龙江省、美国的艾奥瓦州和法国的Bas-Rhin地区的研究结果表明，通过在模型层面应用时间序列分析方法，DCIF提取器有效克服了上述作物制图挑战。在黑龙江省和艾奥瓦州，2021年和2022年的总体精度均超过90%。在Bas-Rhin地区，由于土地地块破碎化和作物分布不均普遍存在，总体精度超过了87%。所提出的方法为作物种植面积估算和田间管理提供了科学依据，有助于更科学的农业实践。
Keyword:
Remote sensing
Crop mapping
Indicative feature
Classification
Time series analysis
期刊
IF:
8.6
论文数:
5.3K
被引数:
2.4W
机构
引用论文
分享收藏Intra-annual reflectance composites from Sentinel-2 and Landsat for national-scale crop and land cover mapping来自Sentinel-2和Landsat的年度内反射率复合材料，用于国家规模的作物和土地覆盖制图
OAAI
OAAI分享收藏Towards automation of in-season crop type mapping using spatiotemporal crop information and remote sensing data使用时空作物信息和遥感数据实现季节作物类型制图的自动化.png)
AGRICULTURAL SYSTEMSOAAI
AGRICULTURAL SYSTEMSIF6.1
OAAI分享收藏分享收藏分享收藏
查看更多内容