本文介绍了SICKLE数据集，包含多光谱、热学和微波数据，旨在解决农业遥感中的数据稀缺问题。研究利用机器学习技术进行作物类型、生长季节和产量预测，开发了新的注释数据集和自动化系统，提高了作物分类的准确性，促进了精准农业的发展。

本研究设计了一种基于卷积神经网络的系统，用于早期识别咖啡树叶上的生物胁迫病原体，实验结果表明该系统对专家和农民均有帮助。此外，研究提出了多种深度学习方法用于作物分类和病害检测，显著提高了分类准确率，展示了人工智能在农业中的应用潜力。

本文介绍了一种结合卫星遥感数据和深度学习技术的作物分类方法。通过归一化处理和卷积神经网络、循环神经网络的结合，该方法提高了分类精度，尤其在极端天气条件下表现良好。研究开发了新的农作物分类模型，利用多模态信息和转移学习，成功检测不同地区的作物类型，并建立了高分辨率的农田时间序列数据集，以支持粮食安全和环境监测。

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。

该文综述多模态与多视角融合在农业遥感中的应用：多视角融合优于单视角，可提升作物分类与产量预测精度；最佳输入模态组合因地区、作物和模型而异；证据深度学习、MMST-ViT及GPR-MVFD等方法在分类、产量预测和基床病害检测中表现优异，并发布了新数据集。

该文介绍了一种使用可解释的人工智能方法来提前进行作物分类的方法。研究者通过训练一个基准作物分类模型，使用层内相关传播（LRP）确定显著的时间步长，并选择重要的时间索引来创建可能的最短分类时间范围。研究者确定了2019年4月21日至2019年8月9日的时间范围在准确性和提前性方面有着最佳平衡。与使用完整时间序列相比，这个时间范围仅损失了0.75%的准确性。