Gazi Üniversitesi Fen Bilimleri Dergisi Part C Tasarım ve Teknoloji·9月10日 · 周四论文农业遥感与作物表型阅读 0
A Hybrid Transfer Learning Framework for Seasonal Classification of Satellite Images
Eyyüp YILDIZ · Özge Aslan Yıldız
Gazi Üniversitesi Fen Bilimleri Dergisi Part C Tasarım ve TeknolojiDOI 10.29109/gujsc.1958797开放获取 PDF ↗
论文解读
66接近精选线
速览
提出混合迁移学习框架，用预训练模型提取特征并结合机器学习分类器实现卫星图像季节分类。
方法
基于土耳其81省月度卫星图像构建数据集，评估8种预训练模型和7种分类器。
发现
ConvNeXt结合多层感知机表现最佳，特征提取器和分类器选择均影响性能。
机会点
可探索该框架在作物物候监测、跨区域迁移及多时相农业遥感中的泛化能力。
影响力12
信息增量18
专业深度16
信源权威12
时效性8
基于土耳其81省卫星影像的迁移学习季节分类框架，方法对比扎实、结论可靠，对农业遥感监测有参考价值，但属学术论文且非国内应用，影响力有限。
原文摘要
基于卫星影像的季节分类是一项重要的遥感任务，可用于监测植被动态、农业过程、环境变化以及与气候相关的空间格局。然而，由于标注数据有限、区域差异以及从零开始训练大规模网络的计算成本，开发用于该任务的稳健深度学习模型具有挑战性。本研究提出了一种基于混合迁移学习的框架，利用从土耳其81个省份收集的卫星影像进行季节分类。研究构建了一个由月度卫星影像组成的自定义数据集，并评估了八种预训练深度学习架构作为特征提取器的效果。提取出的深层表示使用七种机器学习算法进行分类。实验结果表明，预训练特征提取器和分类器的选择均会影响季节分类性能。在各类模型中，ConvNeXt结合多层感知机取得了最佳性能。基于对比分析，ConvNeXt、Vision Transformer和Swin Transformer被选为排名前三的特征提取器，而多层感知机被选为最终分类器。所提出的框架为季节分类提供了一种有效且计算上实用的方法，并为未来环境监测和农业遥感应用提供了有前景的基础。