详细内容或原文请订阅后点击阅览
AI模型通过最小的现场数据增强作物生长监测
使用合成数据集并转移学习来克服数据稀缺性和可变性，在多年野外试验中的传统技术大大优于传统技术。
来源:英国物理学家网首页使用合成数据集并转移学习来克服数据稀缺性和可变性，在多年野外试验中的传统技术大大优于传统技术。
叶子面积指数（LAI）是农作物生长和生产力的关键指标，在农业遥感中起关键作用。传统的LAI检索方法使用经验模型和1D辐射转移模型（RTMS）通常在环境变异性和结构复杂性上挣扎，尤其是在不同年份和增长阶段应用时。为了应对这些挑战，研究人员越来越多地转向深度学习。但是，这样的模型通常需要大型标记的数据集，这些数据集耗时且在农业环境中收集昂贵。
由Hao Yang的团队，北京农业和林业科学学院发表在植物现象学上发表的一项研究，通过仅利用多种偏见的UAV数据启用了可扩展，准确和低调的LAI监测，为精确农业提供了一种变革性的解决方案。 研究 为了在多年和增长阶段进行准确的LAI检索，研究人员首先使用3D辐射转移模型（RTM）生成并验证了合成光谱数据集，以确保反射值捕获了广泛的生理和环境变异性。这些数据集融合了各种玉米冠层架构和生化特征，它们与多年无人机观察结果很好地吻合，从而有效地补充了有限的现场测量数据范围。 卷积神经网络 深度学习 更多信息：
由Hao Yang的团队，北京农业和林业科学学院发表在植物现象学上发表的一项研究，通过仅利用多种偏见的UAV数据启用了可扩展，准确和低调的LAI监测，为精确农业提供了一种变革性的解决方案。研究
为了在多年和增长阶段进行准确的LAI检索，研究人员首先使用3D辐射转移模型（RTM）生成并验证了合成光谱数据集，以确保反射值捕获了广泛的生理和环境变异性。这些数据集融合了各种玉米冠层架构和生化特征，它们与多年无人机观察结果很好地吻合，从而有效地补充了有限的现场测量数据范围。 卷积神经网络 深度学习更多信息：