International Journal of Applied Earth Observation and Geoinformation是一本专注于地球观测和地理信息科学应用的国际学术期刊。该期刊主要发表与遥感技术、地理信息系统（GIS）、地球观测数据处理和分析相关的研究论文。目前JAG期刊是地学一区Top期刊，影响因子高达7.6，是很多遥感、地学研究生的理想期刊。
论文标题
Zheng Y, Dong W, Lu Y, et al. A new attention-based deep metric model for crop type mapping in complex agricultural landscapes using multisource remote sensing data[J]. International Journal of Applied Earth Observation and Geoinformation, 2024, 134: 104204.
文章提出了一种基于注意力机制的新型深度度量模型，利用多源遥感数据绘制复杂农业景观中的作物类型图的创新方法。准确的作物测绘对于农业决策和粮食安全至关重要。尽管机器学习和深度学习在遥感作物分类中得到广泛应用，但在山区小农耕系统中绘制作物地图仍然具有挑战性。特别是多云和多雨的天气限制了高质量的卫星图像，可能会限制可靠的分类数据。此外，多种作物之间巨大的类内变异性进一步阻碍了分类准确性。在此背景下，本研究试图通过应用结合多源遥感数据和深度度量学习的混合方法来解决这两个问题。对于第一个挑战，我们整合了多源遥感数据，包括来自 Google Earth Engine 的 Landsat-8、Sentinel-2 和 Sentinel-1 数据，以提供有关作物生长和差异的更全面信息。为了应对第二个挑战，我们提出了一个由 CBAM 注意力增强的 2D-CNN 网络和在线硬示例挖掘策略。该网络关注作物样本及其周围像素的通道空间信息，同时促进相似作物样本在潜在特征空间内的收敛并增强不同样本之间的分离。以重庆市江津区作物制图为例，该区是中国西南山区小农户农业系统的典型代表。与六种最先进的方法（RF、SVM、XGBoost、ResNet18 和 DMLOHM）相比，我们的方法取得了最高的性能，总体准确率为 93.99%，kappa 系数为 0.9253，在众多作物类别中具有出色的 F1 得分。本研究的结果为复杂山区的作物分类提供了有效的解决方案，并且在具有挑战性的自然条件下具有良好的制图潜力。
大家可以通过点击“阅读原文”查看论文，也可以去JAG期刊官网下载学习，并在交流群与郑同学一起交流讨论。
交流合作&科研搭子
想加入交流群的同学可加小编微信让其邀请进群（扫描下方二维码咨询报名或菜单栏“联系我们”选项框都可以找到小编哟）。注意，咨询加群验证信息请备注为“学位-研究方向-学校-加群”格式，否则不予通过。例如，假如你是武汉大学土地利用分类方向的博士研究生，则可以备注“博士-LULC-武大-加群”；假如你是北京大学生态学方向的硕士研究生，则可以备注“硕士-生态学-北大-加群”。
