avatar
Articles
200
Tags
38
Categories
0
Home
Archives
Tags
Categories
List
  • Music
  • Movie
Link
About
ALTNT's Hexo Blog
Home
Archives
Tags
Categories
List
  • Music
  • Movie
Link
About

Untitled

Created2025-08-25|Updated2025-11-05
|Post Views:
Author: ALTNT
Link: http://blog.705553939.xyz/2025/08/25/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
周报2025年8月25日
Next
周报2025年3月1日
Related Articles
2024-10-07
周报10月 7 日
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
2025-09-16
Deep learning with multi-scale temporal hybrid structure for robust crop mapping
2024-10-27
Self-Supervised Learning of Remote Sensing Scene Representations Using Contrastive Multiview Coding
2025-06-19
Climate-adaptive emergency crop monitoring in inaccessible regions with satellite imagery
avatar
ALTNT
Articles
200
Tags
38
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
    9. 9. 一个问题：
    10. 10. 实验七 将 30-59 个时序扩充到 60 个时序
  • 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
    9. 9. 实验 八使用新制作的数据集来重新训练 exp3
    10. 10. 实验九: 使用当前的数据集训练 CACM
      1. 10.1. 在验证集单个区域的测试结果
      2. 10.2. 1、各区域总体性能（CACMNet 格式）
      3. 10.3. 2、各区域详细指标（CACMNet 格式）
        1. 10.3.1. 1. Wisconsin 区域
          1. 10.3.1.1. （1）数据形状
          2. 10.3.1.2. （2）各类别性能
          3. 10.3.1.3. （3）混淆矩阵 (Wisconsin)
        2. 10.3.2. 2. Ohio 区域
          1. 10.3.2.1. （1）数据形状
          2. 10.3.2.2. （2）各类别性能
          3. 10.3.2.3. （3）混淆矩阵 (Ohio)
        3. 10.3.3. 3. NewYork 区域
          1. 10.3.3.1. （1）数据形状
          2. 10.3.3.2. （2）各类别性能
          3. 10.3.3.3. （3）混淆矩阵 (NewYork)
        4. 10.3.4. 4. Louisiana2 区域
          1. 10.3.4.1. （1）数据形状
          2. 10.3.4.2. （2）各类别性能
          3. 10.3.4.3. （3）混淆矩阵 (Louisiana2)
        5. 10.3.5. 5. Texas2 区域
          1. 10.3.5.1. （1）数据形状
          2. 10.3.5.2. （2）各类别性能
          3. 10.3.5.3. （3）混淆矩阵 (Texas2)
        6. 10.3.6. 6. Montana2 区域
          1. 10.3.6.1. （1）数据形状
          2. 10.3.6.2. （2）各类别性能
          3. 10.3.6.3. （3）混淆矩阵 (Montana2)
        7. 10.3.7. 7. NorthDakota2 区域
          1. 10.3.7.1. （1）数据形状
          2. 10.3.7.2. （2）各类别性能
          3. 10.3.7.3. （3）混淆矩阵 (NorthDakota2)
    11. 11. 总结
  • 二、其他问题
    1. 1. Texas2制图结果：
    2. 2. 实验十
    3. 3. 重新训练实验十
    4. 4. 实验十一 有云时序不要填充 0
    5. 5. 实验十二 实验八基础上改成旋转位置编码（有云时序要填充 0）
    6. 6. 实验十三 实验十一基础上改成旋转位置编码（有云时序不要填充 0）
    7. 7. 实验十四 时序从 90 天开始（SEQUENCELength需要改成 72+3）
    8. 8. 实验十五 跟实验九实验配置一致，但是增加了冬小麦+大豆的样本作为大豆样本
    9. 9. 实验十六 尝试把冬小麦+大豆的样本单独做一个分类
  • 解决作物制图的非块状像素问题：一种机器学习方法
    1. 1. QGIS如何使用内置的用于此类后处理任务的工具
    2. 2. 实验十七 修改当前错误的代码生成方式 重新训练实验 9 使用改进的监督对比损失
    3. 3. 使用 120-270 插值时序的分类玉米种植面积(单位公顷)
    4. 4. 使用 150-300 插值时序的分类玉米种植面积(单位公顷)
  • 实验十八 对实验当前模型的训练方式进行改进，分为预训练和微调两个阶段
    1. 0.1. 尝试画出t-sne 可视化图：
  • 1. 实验二十：加入生长季内模拟掩蔽训练
  • 2. 各区域总体性能汇总
  • 3. 各区域分类别性能汇总
  • 4. 各区域总体性能汇总
  • 实验二十一还是不要把两个阶段分开来训练，其他和实验二十的配置一致
    1. 1. 各区域总体性能汇总
    2. 2. 各区域分类别性能汇总
  • 实验二十二
    1. 1. 各区域总体性能汇总
    2. 2. 各区域分类别性能汇总
  • 实验二十三
  • 实验二十四
    1. 1. 各区域总体性能汇总
    2. 2. 各区域分类别性能汇总
  • 实验二十五
  • 实验二十六
  • 实验二十七
  • 实验二十八
  • 实验二十九
  • 实验三十
  • 实验三十一
  • 实验三十二
  • 实验三十三
  • 实验三十四
  • 实验三十五
  • 实验三十六
  • 实验三十七
  • 实验三十八
  • 实验三十九
  • 实验四十
  • 实验四十一
  • 实验四十二
  • 作物胁迫监测
    1. 1. 一、前期数据准备：整合地面核查数据与遥感数据源
    2. 2. 二、数据预处理：统一数据格式与消除干扰
    3. 3. 三、胁迫信号提取：基于遥感技术识别异常特征
    4. 4. 四、胁迫程度分类与空间定位
    5. 5. 五、周期性健康地图生成：匹配作物生长节奏
    6. 6. 六、数据推送与干预支撑：衔接政府决策与实地行动
  • 我有一个实地考察的表格，每个条目包括一个坐标以及这个坐标对应地块的标识，标识这个地块是什么作物,我现在需要用它在地图上标识出来成为一个矢量文件或者栅格文件
    1. 1. 步骤1：准备底图（关键步骤）
    2. 2. 步骤2：人工数字化地块边界
  • mapbiomas
  • 美国的Crop Explorer
    1. 1. 可以查看产量
    2. 2. 国家概况
    3. 3. 作物日历
    4. 4. 作物生产地图
    5. 5. 地理标记照片库
    6. 6. PSD 数据
    7. 7. 什么是土地覆盖和土地利用？
    8. 8. 1.全球地理信息公共产品 GlobalLand30 GlobeLand30
    9. 9. 2. 全球土地调查 Global Land Survey (GLS)
    10. 10. Dynamic world
    11. 11. 3. Esri 土地覆盖 10m **Esri Land Cover 10m
    12. 12. 4.科特迪瓦BNETD 2020年土地覆盖图
    13. 13. 中国科学院空天信息创新研究院发布的数据
    14. 14. 4. 气候变化倡议 (CCI) 土地覆盖 V2 Climate Change Initiative (CCI) Land Cover V2
    15. 15. 5. 哥白尼全球土地覆盖 (GLC100) Copernicus Global Land Cover (GLC100)
    16. 16. EUCROPMAP（似乎可用）
    17. 17. 500m分辨率MODIS土地覆盖
    18. 18. USGS – 全球土地覆盖特征 (GLCC）
    19. 19. 联合国粮农组织全球土地覆盖网络（GLC-SHARE）
    20. 20. MODIS/Terra 全球每年土地覆盖L3 CMG
    21. 21. 欧盟全球土地覆盖2000
  • GFSAD1000: Cropland Extent 1km Multi-Study Crop Mask, Global Food-Support Analysis Data
    1. 1. CROPGRIDS
  • FAO WaPOR (水和生产力) ‌
  • Production (Thousand metric tons)和Yield (Metric tons per hectare)的区别是什么
    • Recent Post
    周报2025年12月7日2025-12-08
    周报2025年11月30日2025-11-30
    LP-FT2025-11-23
    周报2025年11月22日2025-11-22
    In-season crop progress in unsurveyed regions using networks trained on synthetic data2025-11-16
    ©2020 - 2025 By ALTNT
    Framework Hexo|Theme Butterfly