{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,6,4]]，“日期-时间”：“2024-06-04T13:52:37Z”，“时间戳”：1717509157002}，“引用-计数”：55，“发布者”：“MDPI AG”，“问题”：“4”，“许可证”：[{“开始”：{:“日期-零件”：[2022,11,30]]，“时间”：2-11-30T00:00:00Z“，”时间戳“：1669766400000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“资助者”：[{“name”：“Hassan II Science and Technology”}]、“content-domain”：{“domain”:[]，“crossmark-restriction”：false}，“short-container-title”：[“Informatics”]，“abstract”：“”在过去二十年中，基于遥感的作物制图在经济上的重要性不断提高。鉴于人口增长率不断提高以及全球粮食产量倍增的影响，及时、准确和可靠的农业数据至关重要。在确保作物地图的高精度方面，作物之间的光谱相似性是严重的限制因素。表现出类似光谱响应的作物因使用经典的多光谱图像分析几乎无法区分而臭名昭著。这些作物中最主要的是软小麦、硬粒小麦、燕麦和大麦。在本文中，我们提出了一种独特的用于谷物作物制图的多输入深度学习方法，称为\u201cCerealNet\u201d。将来自Sentinel-2波段和NDVI（归一化差异植被指数）的两个时间序列作为输入，输入到LSTM-Conv1D（长-短期记忆卷积神经网络）模型的不同分支中，以提取基于像素的作物制图所需的时间和光谱特征。该方法使用在Gharb地区（摩洛哥西北部）收集的地面实况数据进行了评估。我们注意到，分类准确率和F1核分别为95%和94%，四种谷物类别之间的混淆最小。事实证明，谷物网对样本量不敏感，因为代表性最低的作物燕麦的F1得分最高。该模型与几种最先进的作物制图分类器进行了比较，发现其性能优于它们。CerealNet的模块化可能允许注入额外的数据，例如合成孔径雷达（SAR）波段，特别是当光学图像不可用时<\/jats:p>“，”DOI“：”10.3390\/informatics9040096“，”type“：”journal-article“，”created“：{”date-parts“：[2022,11,30]]，”date-time“：”2022-11-30T13:46:41Z“，”timestamp“：1669816001000}“，”page“：“96”，“source”：“Crossref”，“is-referenced-by-count”：4，“title”：[“CerealNet:A Hybrid Deep Learning Architecture for Cereal Crops Mapping Using Sentinel-2 time-Series”]，“前缀“：”10.3390“，”卷“：”9“，”作者“：[{”ORCID“：”http://\/ORCID.org\/0000-0001-9685-0664“，”authenticated-ORCID“：false，”给定“：”Mouad“，”family“：”Alami Macchi“，”sequence“：”first“，”affiliation“：[]}，{”given“：“Loubna”，“family”：“El Mansouri”，“sequence”：“additional”，“afliation”：[]{“given”：“Yasmina”，“family”：“Imani”，“sequence”：“additional”，“affiliation“：[]}，{”given“：”Omar“，”family“：”Bourja“，”sequence“：”additional“，”affiliance“：[]}，，{“ORCID”：“http://\/ORCID.org\/00000-0001-5779-2764”，”authenticated-ORCID“：false，”givent“：”Rachid“，”家人“：”Hadria“，”序列“：”附加“，”从属关系“：[]}“given”：”Ouiam“，”家庭“：”Lahlou“，“sequence”：“additional”，“从属关系“：[]}，{”给定“：”萨米尔“，”家族“：”Benmansour“，”sequence“：”additional“，”affiliation“：[]}，{”given“：”Yahya“，”family“：”Zennayi“，”序列“：”附加“，”从属“：[]}，”ORCID“：“http://\/ORCID.org\/00000-0002-0475-2504”，“authenticated-ORCID”：false，“given”：“Fran\u00e7ois”，“family”：“Bourzeix”，“sequence”：“additional”，“affiliance”：[]，“member”：“1968”，“在线发布”：{date-parts“：[2022,11,30]]}，”reference“：[{”key“：”ref_1“，”doi-asserted-by“：”crossref“，“首页”：“143”，“doi”：“10.1023\/A:1021171514148”，“article-title”：“精准农业：作物营养管理的挑战”，“volume”：“247”，“author”：“Robert”，“year”：“2002”，“journal-title“：”Plant Soil“}”，{”key“：“ref_2”，“unstructured”：“联合国粮食及农业组织（2017年）。食品和农业的未来2013年趋势和挑战。每年。众议员，296，1\u2013180.“}，{”key“：”ref_3“，”doi-asserted-by“：”crossref“，“first page”：“337”，”doi“：”10.1038\/nature10452“，”article-title“：”Solutions for a cultured planet“，”volume“：Santos，C.、Lamparelli，R.、Figueiredo，G.、Dupuy，S.、Boury，J.、Luciano，A.、Torres，R.和le Maire，G.（2019年）。利用多传感器图像时间序列对亚热带农业区作物、牧场和人工林的季节分类。遥感，11.“，”DOI“：”10.3390\/rs11030334“}，{“key”：“ref_5”，“DOI-asserted-by”：“crossref”，“unstructured”：“El Mansouri，L.（2017年1月22日\u201324）。作物类型物候图的多分类器组合。2017年信号和图像处理先进技术国际会议论文集（ATSIP）摩洛哥非斯。“，”DOI“：”10.1109\/ATSIP.2017.8075529“}，{“key”：”ref_6“，”DOI-asserted-by“：”crossref“，”first page“：”117“，“DOI”：“10.1016\/0034-4257（71）90085-X”，“article-title”：“植被冠层方向反射率的计算”，“volume”：“2”，“author”：“Suits”，“year”：“1972”，“journal-title“：”“Remote Sens.Environ.“}”，{”key“：“ref_7”，“DOI-asserted-by”：“crossref”，“非结构化”：“El Mansouri，L.、Lahssini，S.、Hadria，R.、Eddaif，N.、Benabdelouahab，T.和Dakir，A.（2019）。作物和森林制图的时间序列多光谱图像处理：两个摩洛哥案例。Geospat公司。Technol公司。效率。土地管理局，24.“，”DOI“：”10.4018 \/978-1-5225-5939-9.ch006“}，{”key“：”ref_8“，”unstructured“：”Hadria，R.（2018年1月6日\u20137）.分类multi-tempolele des agrumes dans la plaine de triffa a partir des images sentinel 1 en-vue d\u2019une meilleure gestion de l\u2019eau d\u2018灌溉。2018年Atelier International sur l\u2019apport des Images Satellite Sentinel-2会议记录：摩洛哥拉巴特环境与应用协会。“}，{”key“：”ref_9“，”doi-asserted-by“：”crossref“，”first page“：“111605”，”doi“：”10.1016\/j.rse.2019.111605“，”article-title“：”使用高光谱和空间分辨率遥感图像识别异质作物的稳健光谱空间方法“，”volume“：，{“key”：“ref_10”，“doi-asserted-by”：“crossref”，“unstructured”：“Moussaid，A.，Fkihi，S.E.和Zennayi，Y.（2021）。基于卫星图像和无监督学习算法的重叠果园树冠分割和分类。成像杂志，7.”，“doi”：“10.3390\/jimaging7110241”}，{，“首页”：“1170”，“DOI”：“10.1080\/15481603.2019.1628412”，“文章标题”：“使用高分辨率光学图像和多时相SAR数据的基于长-短时间记忆的作物分类”，“卷”：“56”，“作者”：“周”，“年份”：“2019”，“新闻标题”：《Giscience遥感》}，{“关键字”：“ref_12”，“DOI-asserted-by”：“crossref”，“首页面”：“1953”，“DOI”：“10.1109\/JSTARS.2022.3150430”，“article-title”：“通过多尺度时间相关性的完全提取，利用时间序列遥感图像进行陆地覆盖分类”，“volume”：“15”，“author”：“Yan”，“year”：“2022”，“journal-title“：”IEEE J.Sel.Top.Appl.Earth Obs.Remote Sens.“}，{“key”：”ref_13“，”doi-asserted-by“：”crossref“，”unstructured“：“Wang，X.，Zhang，J.，Xun，L.，Wang，J.、Wu，Z.、Henchiri，M.、Zhang、S.、Zang、Bai，Y.和Yang，S.（2022）。评估机器学习和深度学习模型组合时间序列卫星数据对大尺度地区多种作物类型分类的有效性。遥感，14.”，“DOI”：“10.3390\/rs14102341”}，{“key”：“ref_14”，“doi-asserted-by”：“crossref”，“first page”：“49”，“doi”：“10.1080\/01431160903439874”，“article-title”：“评估高光谱遥感用于描述冬季谷类作物中草草的潜力”，“volume”：”32“，“author”：“Martin”，”year“2011”，“journal-title“：”Int.J.remote Sens.“}，{“key”：：“crossref”，“first page”：“187”，”DOI“：“10.1080\/22797254.2017.1308235”，“article-title”：“改进灌溉农田土地利用制图：不同图像分类算法和方法的性能评估”，“卷”：“50”，“作者”：“Basukala”，“年份”：“2017”，“期刊标题”：“Eur.J.Remote Sens.”}，{“关键”：“ref_16”，“DOI-asserted-by”：“crossref”，“first page”：“197”，，“DOI”：“10.1007 \/s41976-019-00024-8”，《article-title》：“用于作物分类的多时相陆地卫星-8图像特征选择和特征提取技术评估”，“volume”：”2“，“author”：“Paul”，”year“：”2019“，”journal-title“：”Remote Sens.Earth Syst.Sci.“}，{”key“：”ref_17“，”DOI-asserted-by“：”crossref.“，“first page”：“1555”，“DOI”：“10.5194\/isprs-archives-XLII-B3-2020-1555-2020”，“article-title”：“Assessing the Special and Temporal Features for Annual Land Cover and Crop Type Mapping”，“volume”：”43“，”author“：”Karakizi“，”year“：”2020“，”journal-title“：”Int.Arch.Photogram.Remote.Sens.Spat.Inf.Sci.“}，{”key“：”ref_18“，”unstructured“：“Kaijage，B.（2021）。基于卫星图像时间序列的作物类型映射空间显式主动学习方法的开发。【吐温大学博士论文】。”}，{“key”：“ref_19”，“unstructured”：“Yan，Y.和Ryu，Y.（2019）。谷歌街景和深度学习：作物映射的新地面真实方法。arXiv.”}，“doi断言者”：“crossref”，“首页”：“1071”，“doi”：“10.1016\/j.ijleo.2015..10.107”，“文章标题”：“使用时间序列MODIS EVI和美国堪萨斯州相邻年份地面参考数据对主要作物进行分类”，“卷”：“127”，“作者”：“Muhammad”，“年份”：“2016”，“期刊标题”：“Optik”}，{“key”：“ref_21”，“doi断言者”：“crossref”，“first page”：“36”，“DOI”：“10.1016\/j.agsy.2019.01.005”，“article-title”：“结合Sentinel-2和Landsat-8数据时间序列的基于像素的作物分类：杜埃罗河流域案例研究”，“volume”：”171“，“author”：“Piedelobo”，“year”：“2019”，“journal-title“：”Agricultural Systems“}，{”key“：”ref_22“，”DOI-asserted-by“：”crossref“，“非结构化”：“Momm，H.G.，ElKadiri，R.和Porter，W.（2020）。长期建模的作物类型分类：综合遥感和机器学习方法。遥感，12.”，“DOI”：“10.3390\/rs12030449”}，{“key”：“ref_23”，“DOI-asserted-by”：“crossref”，“非结构性”：“Kwak，G.H.，Park，C.，Lee，K.，Na，S.，Ahn，H.和Park，N.W.（2021）。有限输入数据下早期作物制图的混合CNN-RF模型的潜力。遥感器，13.”，“DOI”：“10.3390\/rs130191629”}，｛“key”：“ref_24”，“首页”：“103”，“文章标题”：“一种使用时间序列陆地卫星NDVI数据识别灌溉作物类型的支持向量机”，“volume”：“34”，“author”：“Zheng”，“year”：“2015”，“journal-title”：“Int.J.Appl.Earth Obs.Geoinf.”}，{“key”：”ref_25“，”first page“：”55“，”article-title“：”小麦和燕麦作物田间高光谱遥感鉴别“，”volume“：：《高光谱成像传感器论文集：2017年创新应用和传感器标准》，{“key”：“ref_26”，“doi断言”：“crossref”，“首页”：“103023”，“doi”：“10.1016\/j.infared.2019.103023”，“文章标题”：“多时相多传感器作物分类的交错群卷积”，“卷”：“102”，“作者”：“Li”，“年份”：“2019”，“journal-title”：“红外物理技术”}，{“key”：“ref_27”，“doi-asserted-by”：“crossref”，“first page”：”8884“，“doi”：“10.1109\/JSTARS.2022.3212983”，“article-title“：”稀疏点标签高光谱图像分类全卷积网络的补丁训练“，”volume“：”15“，”author“：”Zhang“，”year“：”2022“，”journal-title“：“IEEE J.Sel.Top.Appl.Earth Obs.Remote Sens.”}，{“key”：“ref_28”，“doi-asserted-by”：“crossref”，“首页”：“3323”，“doi”：“10.1109\/JSTARS.2022.3164771”，“article-title”：“A Sentinel-2多年期，作物分类和分割的多国基准数据集，深度学习”，“volume”：”15“author”：“Sykas”，“year”：“2022”，“journal title”：“IEEE J.Sel.Top.Appl.Earth Obs.Remote Sens.”}，{“key”：“ref_29”，“doi-asserted-by”：“crossref”，“首页”：“1”，“doi”：“10.1109 \/TGRS.2021.3101965”，“article-title”：“用神经常微分方程进行不同云层覆盖下的作物分类”，“volume”：：“IEEE Trans.Geosci.Remote Sens.”}，{“key”：“ref_30”，“doi-asserted-by”：“crossref”，“unstructured”：“Yao，J.，Wu，J.、Xiao，C.、Zhang和Li，J.（2022）.《作物遥感分类方法研究与深度学习、机器学习和谷歌地球引擎》.Remote Sens.，14.”，《doi》：“10.3390\/rs14122758”}，“doi-asserted-by”：“crossref”，“unstructured”：“Wu，H.，Zhou，H，Wang，A.和Iwahori，Y.（2022）.使用多分支特征融合和基于扩张的MLP对高光谱图像进行精确作物分类.遥感，14.”，《doi》：“10.3390\/rs14112713”}，{“key”：“ref_32”，《doi-assert-by》：“cross-ref”，‘first page’：“599”，“doi”：“10.1007\/s12524-011-0099-x”，“article-title”：“利用地面高光谱数据区分光谱密集型作物”，“volume”：“39”，“author”：“Manjunath”，“year”：“2011”，“journal-title“：”J.Indian Soc.Remote.Sens.“}，{”key“：”ref_33“unstructured”：“Serna-Saldivar，S.O.（2010）《谷物：特性、加工和营养特性》，CRC出版社。“}，{”key“：”ref_34“，”doi-asserted-by“：”crossref“，”unstructured“：”Delcour，J.A.，and Hoseney，R.（2010）。《谷物科学与技术原理》，AACC International。[第三版]。“，”doi“：”10.1094\/9781891127632“}”，{“key”：“ref_35”，“unstructure”：“Softwel（p）Ltd.（2016）。SW MAPS用户手册，Softwel有限公司。可在线获取：http://\/softwel.com.np.“}，{“key”：“ref_36”，“unstructured”：“欧洲航天局（2022年4月20日）。Sentinel-2-Missions-Sentinel online。可在线获得：https:\//Sentinel.esa.int\/web\/senstinel\/Missions\/ssentinel-2.”}、{“密钥”：“ref_37”、“doi-asserted-by”：“crossref”、“首页”：“1335”、“doi”：“10.1109\/TGRS.2004.827257”“，”article-title“：“支持向量机对多类图像分类的相对评价”，“volume”：“42”，“author”：“Foody”，“year”：“2004”，“journal-title”：“IEEE Trans。地质科学。遥感“}，{”key“：”ref_38“，”doi-asserted-by“：”crossref“，”first page“：“107”，”doi“：”10.1016\/j.rse.2004.06.017“，”article-title“：”朝向监督图像分类的智能训练：指导SVM分类的训练数据采集“，”volume“：ref_39“，”doi-asserted-by“：”crossref“，”unstructured“：”Vapnik，V.（1995）。统计学习理论的本质，斯普林格。[第1版]。“，”DOI“：”10.1007\/978-1-4757-2440-0“}，{“key”：”ref_40“，”first page“：”2825“，”article-title“：”Scikit-learn:“python中的机器学习”，“volume”：“12”，“author”：“Pedregosa”，“year”：“2011”，“journal-title”：“J.Mach.learn.Res.”}，}“key:”ref_41“，”unstructured“：”python Software Foundation（2022年10月21日）.Python 3.10.0文档。可在线获取：https:\/\/www\/python.org.“}，{“key”：“ref_42”，“doi-asserted-by”：“crossref”，“first page”：”5“，“doi”：“10.1023\/A:”1010933404324“，“article-title”：“Random Forests”，“volume”:“35”，“author”：“Breiman”，“year”：“2001”，“journal-title“：”“Mach.Learn.”}“：”crossref“，”first page“：”24“，”doi“：”10.1016\/j.isprsjprs.2016.01.011“，“article-title”：“遥感中的随机森林：应用综述和未来方向”，“volume”：“114”，“author”：“Belgiu”，“year”：“2016”，“journal-title“：”Isprs j.Photogram。遥感器“}，{”key“：”ref_44“，”doi-asserted-by“：”crossref“，”first page“：“1735”，”doi“：”10.1162\/neco.1997.9.8.1735“，”article-title“：”Long Short Term Memory“，“volume”：“9”，“author”：“Hochreiter”，“year”：“1997”，“journal-title”：“Neural Compute”}，}“key”：”ref_ 45“，“doi-assert-by”：“crossref.”，“first page.”：“2451”，“doi”：“10.1162\/0899766000300015015”，“article-title“：”学会遗忘：“LSTM的连续预测”，“volume”：“12”，“author”：“Gers”，“year”：“2000”，“journal-title”：“Neural Comput”。“}，{”key“：”ref_46“，”doi-asserted-by“：”crossref“，”unstructured“：”Lyu，H.，Lu，H.和Mou，L.（2016）。从用于土地覆盖变化检测的递归神经网络中学习可转换的变化规则。遥感，8.“，”doi“：”10.3390\/rs8060506“}”，{“key”：“ref_47”，“doi-assert-by”：“crossref”，“首页”：“409”，“doi”：“10.1007\/s4088-018-0431-3”，“article-title“：“利用NDVI时间序列数据和LSTM预测植被动态”，“volume”：“4”，“author”：“Reddy”，“year”：“2018”，“journal-title”：“Model”。地球系统。环境。“}，{”key“：”ref_48“，”doi-asserted-by“：”crossref“，”first-page“：”918“，”doi“：”10.1016\/j.jhydrol.2018.04.065“，”article-title“：”开发基于长短期记忆（LSTM）的农业区地下水位预测模型“，”volume“：ted-by“：”crossref“，”first page“：”86“，”DOI“：”10.4018\/IJAEIS.2020010105“，”article-title“：”通过堆叠LSTM预测水稻产量“，”volume“：“11”，“author”：“Meng”，“year”：“2020”，“journal-title”：“Int.J.Agric”。环境。信息系统。“}，{”key“：”ref_50“，”doi-asserted-by“：”crossref“，”first-page“：”436“，”doi“：”10.1038\/nature14539“，”article-title“：”Deep learning“，”volume“：“521”，“author”：“LeCun”，“year”：“2015”，“journal-title”：“Nature”ref_52“，”非结构化“：”计划，H.C.A.（2020年）。Maroc年度统计，Haut Commissariat au Plan。“}，{”key“：”ref_53“，”doi-asserted-by“：”crossref“，”unstructured“：”Liao，C.，Wang，J.，Xie，Q.，Al-Baz，A.，Huang，X.，Shang，J，and He，Y.（2020）.基于一维卷积神经网络的作物分类中多时间RADARSAT-2和VEN mu S数据的协同使用.遥感，12.“，”doi“：”10.3390\/rs12050832“}”，{“key”：“ref_54”，“doi-asserted-by“：”crossref“，”unstructured“：”Ofori-Ampofo，S.、Pelletier，C.和Lang，S.（2021）。使用基于关注的深度学习从光学和雷达时间序列绘制作物类型图。遥感，13.“，”DOI“：”10.3390\/rs13224668“}，{“key”：“ref_55”，“DOI-asserted-by”：“crossref”，“unstructured”：“Mazza，A.，Gargiulo，M.，Scarpa，G.，and Gaetano，R.（2018年1月22日\u201327）.利用卷积神经网络估计SAR的NDVI。IGARSS 2018-2018 IEEE国际地球科学和遥感研讨会论文集，西班牙巴伦西亚。“，”DOI“：”10.1109\/IGARSS.2018.8519459“}]，”container-title“：[”Informatics“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/www.mdpi.com\/2227-9709\/9\/4\/96\/pdf“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]“，”deposed“：{”date-parts“：[2022,11,30]]，“日期时间”：“2022-11-30T14:44:04Z“，”timestamp“：1669819444000}，”score“：1，”resource“：{”primary”：{“URL”：“https:\/\/www.mdpi.com//2227-9709\/9\/4\/96”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：{“date-parts”：[2022,11,30]]}，‘references-count’：55，‘journal-sissue’：{‘issue'：“4”，“published-online”：{“日期部分”：[[2022,12]]}}，“alternative-id”：[“informatics9040096”]，“URL“：”http:\/\/dx.doi.org/10.3390\/informatics9040096“，”relationship“：｛｝，”ISSN“：[”2227-9709“]，”ISSN type“：[｛”value“：”2227-9709“，”type“：”electronic“｝]，”subject“：[]，”published“：｛”date parts“：[[2022,11,30]]｝｝｝