avatar
Articles
165
Tags
34
Categories
0
Home
Archives
Tags
Categories
List
  • Music
  • Movie
Link
About
ALTNT's Hexo Blog
Home
Archives
Tags
Categories
List
  • Music
  • Movie
Link
About

重新复现CACM记录

Created2025-06-04|Updated2025-06-09
|Post Views:
Author: ALTNT
Link: http://blog.705553939.xyz/2025/06/04/crop_classification/%E7%A0%94%E7%A9%B6%E7%94%9F%E5%91%A8%E6%8A%A5/%E9%87%8D%E6%96%B0%E5%A4%8D%E7%8E%B0CACM%20%E8%AE%B0%E5%BD%95/
Copyright Notice: All articles in this blog are licensed under CC BY-NC-SA 4.0 unless stating additionally.
crop classification
Previous
DCM————DeepCropMapping: A multi-temporal deep learning approach with improved spatial generalizability for dynamic corn and soybean mapping
Next
机器学习相关概念
Related Articles
2024-09-12
A Deep Learning Framework under Attention Mechanism for Wheat Yield Estimation Using Remotely Sensed Indices in the Guanzhong Plain
2024-10-08
Temporal Convolutional Neural Network for the Classification of Satellite Image
2024-10-27
Self-Supervised Learning of Remote Sensing Scene Representations Using Contrastive Multiview Coding
2025-02-17
Climate-adaptive emergency crop monitoring in inaccessible regions with satellite imagery
2024-10-07
记录如何生产 CACM 数据集过程
2024-09-24
Towards interpreting multi-temporal deep learning models in crop mapping
avatar
ALTNT
Articles
165
Tags
34
Categories
0
Follow Me
Announcement
This is my Blog
Contents
  1. 1. 下载 30 个时序的数据
    1. 1.1. Indiana:
    2. 1.2. Missouri:
    3. 1.3. Minnesota
    4. 1.4. Wisconsin
    5. 1.5. Kansas
    6. 1.6. Iowa
  • 加入重建损失后：
  • 尝试农作物制图
    1. 1. 使用更新后的监督对比损失，主要区别如下：
    2. 2. 感觉数据采样策略可以重新设计
    3. 3. ****提取栅格整体范围边界****
  • 重新设计实验
    1. 1. 一、数据预处理实现
    2. 2. (1)下载 CDL 图片
    3. 3. (2)时空镶嵌 CDL 图片
    4. 4. (3)下载哨兵二号图片
    5. 5. (4)时空镶嵌哨兵二号图像
    6. 6. (5)下载气候数据
    7. 7. (6)镶嵌气候数据
    8. 8. (7) 合并各区域的 shp 文件到一个文件中，后续用于提取样本点
    9. 9. (8)经过空间一致性验证和置信度筛选，生成高可靠性的土地利用分类数据
    10. 10. (8)将遥感图像和气候数据进行样本点的提取并转化为 npy 和 csv 文件（可选，主要用于观察数据和数据处理）以用于训练
    11. 11. （9)划分训练集和验证集并生成二进制文件
    12. 12. 制作测试集
    13. 13. 尝试查看 scl分类图，大概可以分析出在加拿大玉米的生长时间
    14. 14. 云阴影区域：
    15. 15. 分析各种云特征过程：
      1. 15.1. 对于云阴影
    16. 16. SCL 波段检测云阴影的方法：
      1. 16.1. ‌相关技术文档与论文‌
  • 重新设计实验：
    1. 1. 去掉置信度模块-2025,06,01
    2. 2. 加入数据增强-2025,06,02
      1. 2.1. 去掉置信度
    3. 3. 尝试扩充验证集和测试集（多云区域）2025,0602
  • 中国和东南亚
  • 下载乌克兰地区的数据
    1. 1. 乌克兰玉米的分布
  • 消融实验
    1. 1. 实验一：
    2. 2. 实验二
    3. 3. 实验三
    4. 4. 实验四
    5. 5. 实验五
    6. 6. 实验六
    7. 7. 实验七：
  • 二、尝试下载乌克兰区域（符合多云特征）的标签数据
  • 三、为了增加验证集的区域，选择在美国取了 7个区域作为验证集
  • 四、消融实验
    1. 1. 总结一下得到的结论：
    2. 2. 实验一：（作为基准实验）
      1. 2.1. 实验设置：
      2. 2.2. 使用机器：
      3. 2.3. 结果：
    3. 3. 实验二：（与实验一、实验三、实验四、实验五一起验证是否需要采用先在进行了空间一致性校验的数据集上进行上训练，然后在未进行空间一致性的数据集上进行微调的实验方式）
    4. 4. 实验三：（判断置信度模块是否有效）
      1. 4.1. 实验设置：（与实验一一致，除了没有了置信度模块)
      2. 4.2. 使用机器：
      3. 4.3. 最终得到权重：
      4. 4.4. 结果：
      5. 4.5. 在美国七个验证集区域单个区域的测试结果:
        1. 4.5.1. 各区域总体性能指标
        2. 4.5.2. Wisconsin 区域详细指标
          1. 4.5.2.1. 各类别性能指标
          2. 4.5.2.2. 混淆矩阵 (Wisconsin)
        3. 4.5.3. Montana 区域详细指标
          1. 4.5.3.1. 各类别性能指标
          2. 4.5.3.2. 混淆矩阵 (Montana)
        4. 4.5.4. Ohio 区域详细指标
          1. 4.5.4.1. 各类别性能指标
          2. 4.5.4.2. 混淆矩阵 (Ohio)
        5. 4.5.5. NewYork 区域详细指标
          1. 4.5.5.1. 各类别性能指标
          2. 4.5.5.2. 混淆矩阵 (NewYork)
        6. 4.5.6. Louisiana 区域详细指标
          1. 4.5.6.1. 各类别性能指标
          2. 4.5.6.2. 混淆矩阵 (Louisiana)
        7. 4.5.7. Texas 区域详细指标
          1. 4.5.7.1. 各类别性能指标
          2. 4.5.7.2. 混淆矩阵 (Texas)
        8. 4.5.8. NorthDakota 区域详细指标
          1. 4.5.8.1. 各类别性能指标
          2. 4.5.8.2. 混淆矩阵 (NorthDakota)
      6. 4.6. 在乌克兰关于玉米分类的测试结果
    5. 5. 实验四：（与实验三、实验五一起验证是否需要采用先在进行了空间一致性校验的数据集上进行上训练，然后在未进行空间一致性的数据集上进行微调的实验方式）
      1. 5.1. 结果：
      2. 5.2. 在美国七个验证集区域单个区域的测试结果:
        1. 5.2.1. 各区域总体性能指标
      3. 5.3. 1. Wisconsin 区域
        1. 5.3.1. （1）各类别性能指标
        2. 5.3.2. （2）混淆矩阵 (Wisconsin)
      4. 5.4. 2. Montana 区域
        1. 5.4.1. （1）各类别性能指标
        2. 5.4.2. （2）混淆矩阵 (Montana)
      5. 5.5. 3. Ohio 区域
        1. 5.5.1. （1）各类别性能指标
        2. 5.5.2. （2）混淆矩阵 (Ohio)
      6. 5.6. 4. NewYork 区域
        1. 5.6.1. （1）各类别性能指标
        2. 5.6.2. （2）混淆矩阵 (NewYork)
      7. 5.7. 5. Louisiana 区域
        1. 5.7.1. （1）各类别性能指标
        2. 5.7.2. （2）混淆矩阵 (Louisiana)
      8. 5.8. 6. Texas 区域
        1. 5.8.1. （1）各类别性能指标
        2. 5.8.2. （2）混淆矩阵 (Texas)
      9. 5.9. 7. NorthDakota 区域
        1. 5.9.1. （1）各类别性能指标
        2. 5.9.2. （2）混淆矩阵 (NorthDakota)
      10. 5.10. 在乌克兰关于玉米分类的测试结果
    6. 6. 实验五：（与实验三、实验四一起验证是否需要采用先在进行了空间一致性校验的数据集上进行上训练，然后在未进行空间一致性的数据集上进行微调的实验方式）
      1. 6.1. 结果：
    7. 7. 实验六(与实验三进行对比，看是否需要进行有云时序在计算注意力矩阵时mask掉对应时序的注意力权重的消融实验)
      1. 7.1. 实验设置：
      2. 7.2. 使用机器：
      3. 7.3. 使用权重
      4. 7.4. 结果：
    8. 8. 手动整理的 Markdown 表格
  • 一些作物介绍
    • Recent Post
    周报2025年6月8日2025-06-09
    The 20 m Africa rice distribution map of 20232025-06-04
    DCM————DeepCropMapping: A multi-temporal deep learning approach with improved spatial generalizability for dynamic corn and soybean mapping2025-06-04
    重新复现CACM记录2025-06-04
    机器学习相关概念2025-05-26
    ©2020 - 2025 By ALTNT
    Framework Hexo|Theme Butterfly