在小农农业中推进作物分类:一种多方面的方法,结合频域图像联合注册,基于变压器的地块分割和Bi-LSTM用于作物分类
Waleed Khan1,2, Nasru Minallah1,2, Madiha Sher1,2
1National Center for Big Data and Cloud Computing, University of Engineering and Technology, Peshawar, Pakistan.
PloS one
|March 1, 2024
概括
本研究介绍了小农农业的优化遥感方法,克服了数据和成本的挑战. 它在作物分类中使用开源工具和深度学习实现了超过94%的准确性.
科学领域:
- 农业科学 农业科学
- 地理空间分析的研究.
- 遥感技术 遥感技术 遥感技术
背景情况:
- 遥感可以改善小农经济体的农业监测,但面临诸如小农场规模,数据稀缺性和高商业卫星图像成本等采用障碍.
- 对于小农经济体而言,在农业中有效地利用遥感需要解决这些具体挑战.
研究的目的:
- 探索机会,实践和新的方法,以便在小农农业中有效地应用遥感.
- 为基于遥感的作物绘图提供一个优化的解决方案,以适应小农农业系统.
主要方法:
- 利用开源工具进行精确的传感器间和传感器内图像注册,实现根平均平方误差为0.3或更小.
- 用户分段任何地理空间模型 (SAM-GEOs) 用于划分植被地块.
- 开发和训练了一种用于作物分类的双向长期短期记忆 (Bi-LSTM) 深度学习模型.
主要成果:
- 在作物分类方面取得了高准确性,在两个生长季节的两个不同的田间数据收集中,在两个不同的田间数据收集的验证集上超过了94%.
- 使用开源解决方案证明有效的图像注册,确保数据可靠性.
结论:
- 提议的优化遥感解决方案有效地解决了小农农业的挑战,使作物准确地绘制图.
- 集成SAM-GEOs和Bi-LSTM模型为资源有限的环境中农业遥感提供了强大而准确的方法.
