Los puntos clave no están disponibles para este artículo en este momento.
La gestión eficiente de la tierra y las prácticas agrícolas son fundamentales para mantener la producción agrícola, especialmente en Europa, donde hay tierras arables limitadas. Depender de una inspección manual de campo de la tierra cultivada para archivar los cultivos es muy laborioso. Pero con la ayuda de los datos de monitoreo satelital de la superficie terrestre, se presenta una nueva visión para clasificar tierras agrícolas basadas en el aprendizaje profundo. Este artículo ha estudiado los datos del Sentinel 2 (S2), que son valores de reflectancia en la parte superior de la atmósfera (TOA) en el nivel de procesamiento 1C (L1C) observados en algunas áreas de Alemania y Francia. Enfocándose en el problema de que la interferencia de la atmósfera y la cobertura de nubes debilita la precisión del reconocimiento de algoritmos posteriores, se propone un método de combinación de expansión de características y análisis de importancia de características para optimizar los datos crudos de S2. Específicamente, se expanden las nuevas 13 características espectrales en base a la combinación lineal y no lineal de las 13 bandas espectrales crudas de S2. El algoritmo de bosque aleatorio (RF) se utiliza para puntuar la importancia de las características, y se seleccionan las características importantes de cada serie de tiempo para formar un nuevo conjunto de datos. Luego, se ha utilizado un modelo de aprendizaje profundo de fin a fin para el entrenamiento. La estructura del modelo es una red neuronal recurrente unidireccional de dos capas con memoria a corto y largo plazo (LSTM) como base. Y dos capas lineales como salida, que forman dos cabezas de toma de decisiones, representando respectivamente la probabilidad de clasificación de salida y la decisión de parada. Los resultados muestran que agregar y seleccionar características es beneficioso para que el modelo mejore la precisión de clasificación y prediga la clasificación sin todos los datos de entrada. Este patrón de clasificación de fin a fin con predicción temprana apoyaría el monitoreo inteligente de cultivos agrícolas con una gran ventaja para la implementación de diversas políticas agrícolas.
Yuan et al. (Wed,) estudiaron esta cuestión.