机构名称：
¥ 1.0
摘要在收成期间缺乏遥感图像在估计农作物产量方面构成了重大挑战。这项研究通过使用条件生成对抗网络的基于病例的推理框架（CGANA-CBR）来克服这一挑战，以在收获期间生成农田的遥感图像。具体来说，该研究使用CGANA-CBR模型生成农田的遥感图像，然后使用这些生成的图像来补充缺乏收获周期数据的真实遥感图像，从而实现了数据增强。随后，训练了卷积神经网络（CNN）模型，以提高平均产量预测的准确性。结果表明，与仅在实际远程感应数据中训练的基线CNN模型相比，RMSE的CNN模型同时结合了实际数据和CGANA-CBR生成的数据，其平均降低为6.3％。研究还发现，训练持续时间和使用的数据量显着影响模型性能，这表明需要在该领域进行进一步研究。
有条件的生成对抗网络 - ...
主要关键词
相关文件推荐
