结合卫星和气象数据进行作物类型地图绘制：一种逆向建模方法
内容提要
该文综述了利用卫星遥感和深度学习进行作物分类与产量预测的研究，涵盖多模态融合、时空模型、迁移学习和数据扩增等方法，并发布了包含740万农业地块的新注释数据集，以提升跨领域零样本和少样本分类的稳健性。
延伸解读
多模态融合与数据集发布
文章提出了一种融合多模态信息的方法，用于改进作物类型分类的准确性和稳健性，并针对740万个农业地块发布了新的注释数据集。新方法在评估中表现更好，可用于跨领域零样本学习和从法国到荷兰的少样本设定的稳健性。
模型设计的关键发现
研究分析多光谱时间序列上几种结构化深度学习模型对农作物分类的影响，结果发现最佳表现的方式是大部分参数用于建模数据的时间结构。这些结果可以作为设计定制的深度学习模型进行农作物分类的指南。
应对种植时间变化的策略
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％。
产量预测与地面参考生成
通过考虑短期气象变化和长期气候变化对作物的影响，基于多模态时空视觉变换器（MMST-ViT）开发了一个基于深度学习的解决方案，用于预测美国各县的作物产量，并展示其在三个性能指标上优于同类产品。此外，开发了一种利用深度学习和Google街景图像生成作物类型地面参考的自动化系统，能够通过利用异源图像从不同领域预测作物类型，并将预测的标签与遥感时序图像相结合，从而在泰国获得91%的精确度，实现了在全球范围内扩展地图作物类型的目的，特别是在未受服务的小农户地区。
Q&A
这篇论文提出的作物类型地图绘制方法有什么创新点？
该论文提出了一种融合多模态信息的方法，用于改进作物类型分类的准确性和稳健性，并针对740万个农业地块发布了新的注释数据集。新方法在评估中表现更好，可用于跨领域零样本学习和从法国到荷兰的少样本设定的稳健性。
新发布的农业地块注释数据集包含多少地块？
新发布的注释数据集包含740万个农业地块。
该方法在跨领域零样本和少样本学习上的表现如何？
新方法在评估中表现更好，可用于跨领域零样本学习和从法国到荷兰的少样本设定的稳健性。
有哪些研究利用卫星遥感数据进行作物分类并取得了什么精度？
例如，一项研究通过归一化作物生长阶段并结合CNN和RNN，在美国中西部极端天气实验中分类精度在收获前为85.4%，季中为82.8%；另一项研究利用深度学习和Google街景图像在泰国获得91%的精确度。
多模态时空视觉变换器（MMST-ViT）用于什么任务？
MMST-ViT用于预测美国各县的作物产量，考虑短期气象变化和长期气候变化对作物的影响，并在三个性能指标上优于同类产品。
如何利用街景图像生成作物类型地面参考？
开发了一种自动化系统，利用深度学习和Google街景图像生成作物类型地面参考，通过异源图像从不同领域预测作物类型，并将预测标签与遥感时序图像结合，在泰国获得91%的精确度。
