从无人机图像通过复杂的现场环境中的光谱重建对植被进行细分
Zhixun Pei1, Xingcai Wu1, Xue Wu2
1State Key Laboratory of Public Big Data, College of Computer Science and Technology, Guizhou University, Guiyang, 550025, China.
Plant phenomics (Washington, D.C.)
|December 19, 2025
概括
本研究介绍了一种弱监督的方法,用于使用光谱重建 (SR) 和植被指数 (VI) 原则进行田间植被细分. 这种方法减少了数据成本和注释时间,从遥感图像中实现了高精度的植被细分.
科学领域:
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
- 农业科学 农业科学
背景情况:
- 田野植被细分对于监测至关重要,但受到复杂环境的挑战.
- 目前的光谱传感和深度学习方法受到高设备成本和有限,劳动密集的注释数据集的阻碍.
- 现有的方法在数据采集和注释的成本和时间要求方面扎.
研究的目的:
- 开发一个具有成本效益和效率的弱监督方法,用于田间植被细分.
- 为了克服高设备成本和遥感中手动数据注释的局限性.
- 改善复杂现场条件下的植被监测和分析.
主要方法:
- 建议SRCNet和SRANet模型用于使用光谱重建 (SR) 技术进行多光谱图像重建.
- 综合光谱重建与植被指数 (VI) 原则,以增强植被信息.
- 在没有手动标签的情况下对细分采用了监督较弱的适应策略.
主要成果:
- 在真实现场数据集上实现了0.853的全欧平均交叉点 (MIoU),优于现有方法.
- 成功重建多光谱图像,减少了昂贵的光谱数据收集的需要.
- 使用弱监督方法证明有效的田间植被细分.
结论:
- 拟议的弱监督方法为田间植被细分提供了有效和准确的解决方案.
- 频谱重建和VI聚合有效地解决了数据采集成本和注释负担.
- 开源数据集和代码将推动农业遥感的研究.
