小农户农场的作物类型识别：分析卫星影像的空间、时间与光谱分辨率
计算机视觉与模式识别
2022-05-09 v1 机器学习
图像与视频处理
摘要
现代机器学习(ML)模型与遥感和农业的融合拓展了卫星图像在农业领域的应用范围。本文展示了随着卫星图像从中等时空分辨率(MSTR)转向高时空分辨率(HSTR)，作物类型识别的精度如何提高。我们进一步证明，卫星影像中的高光谱分辨率能够改善低时空分辨率(LSTR)图像的预测性能。与使用 HSTR 图像获得的最佳结果相比，使用 MSTR 图像的多光谱数据使 F1 分数提高了 7%。类似地，当使用基于作物季节的多光谱数据时间序列时，我们观察到 F1 分数提高了 1.2%。该结果激励了合成波段生成领域的进一步进展。
引用
@article{arxiv.2205.03104,
title = {Crop Type Identification for Smallholding Farms: Analyzing Spatial, Temporal and Spectral Resolutions in Satellite Imagery},
author = {Depanshu Sani and Sandeep Mahato and Parichya Sirohi and Saket Anand and Gaurav Arora and Charu Chandra Devshali and T. Jayaraman},
journal= {arXiv preprint arXiv:2205.03104},
year = {2022}
}
备注
Supported by Google under AI4SG Workshop