前不久,AI Earth发布了与北京师范大学在“精细早期作物制图研究中”的进展,详见推文北师大联合达摩院,基于时序模型预测作物生长模式。 近日,AI Earth支持该团队生产了区域级的10m空间分辨率农作物物候产品。该物候产品将合成孔径雷达(SAR)卫星数据和光学卫星数据相结合,在地面物候站点的协助下,建立了“天-地一体化”农作物物候表征策略,开创了基于深度协同的多模态遥感时空融合与感知理论,进而为光学与SAR卫星之间的地表信号响应不一致的问题提供解决思路。 01 技术方法 作物物候参数(如SOS、EOS等)是作物动态监测的关键指标,准确的作物物候信息探测对于精准农业、作物产量估算以及农业生产力水平的提高至关重要。传统的作物物候学信息提取多是通过专业人员频繁观察来记录特定变化事件的时间,或者基于物候观测相机每天多次重复拍摄特定区域的作物生长状态。 遥感技术具有监测范围广、成本低、重访周期短的优点,它为作物动态监测提供了一种具有成本效益和可靠性的方法。然而,当前基于遥感数据的物候学研究主要依赖于中低分辨率的光学遥感数据,包括AVHRR和MODIS等,这些中等分辨率的传感器可以有效地捕捉大规模甚至全局的植被物候参数,但中低空间分辨率数据中包含了复杂的背景信息,无法精准地表征实际作物信息。 新一代地球观测卫星提供了更高空间分辨率、更短重访间隔的图像,如哨兵系列卫星,这引起了对精细尺度作物物候学制图的进一步研究。现在,可以从更精细的卫星数据中解析单个农田地块,并估计特定作物的物候信息。然而,当前研究表明,地面物候观测相机估计的物候参数与卫星推到出的物候参数有很大区别(通常卫星观测物候节点误差在30天左右),其主要原因是卫星和物候相机之间的观测频率和三维结构信号响应的差异。因此,如何有效耦合地面观测与遥感卫星数据实现高精度的物候探测是一个亟待解决的问题。 本产品采用DeepCrop模型,该模型借助地面物候观测站点标注数据,深度融合光学-SAR卫星时间序列观测影像,采用时空编码器单元对多源卫星时空特征进行堆叠与协同,最终实现作物物候节点的精准探测(如图1所示)。 图1 DeepCrop模型 02 物候产品说明 基于以上模型,生产了整个加州种植农作物的物候信息产品,并对其进行了精度验证。
更多产品详情、精度验证情况,可咨询研究团队:https:///d/15-10m 图2 加州地区SOS 20产品 图3 加州地区EOS 20产品 关于AI Earth地球科学云平台 AI Earth地球科学云平台基于达摩院-视觉技术实验室在深度学习、计算机视觉、地理空间分析等方向上的技术积累,结合阿里云强大算力支撑,提供多源观测数据的云计算分析服务,用数据感知地球世界,让AI助力科学研究。 AI Earth官网 AI Earth钉钉群 |
|
来自: 新用户79956245 > 《待分类》