报告详情
基于可解释的原型序列深度学习模型提取水稻面积
编号：1300
访问权限：仅限参会人
更新：2024-04-11 14:11:19 浏览：1209次
口头报告
报告开始：2024年05月19日 11:15（Asia/Shanghai）
报告时间：8min
所在会场：[S7] 主题7、遥感与地理信息科学 [S7-6] 主题7、遥感与地理信息科学 专题7.10、专题7.7（19日上午，305）
暂无文件
摘要
水稻是一种重要的粮食作物，对其面积进行准确可靠的监测对于实现可持续发展目标 2（SDG2）和确保粮食安全具有重要意义。针对当前多时相合成孔径雷达（SAR）水稻监测面临的挑战，即循环神经网络（RNN）表现出较低的可解释性，而事后解释方法与深度学习模型的耦合度较低，本文率先使用了一种可自解释的原型序列模型，用于从多时相 SAR 数据中提取水稻面积。该模型基于原型学习的概念构建，模拟人类解决问题的过程，以增强可解释性。在该模型中，作为骨干的 RNN 捕捉到了水稻时间发展的潜在特征。根据新输入序列与潜在空间中原型的相似性对其进行预测。该模型以非洲肯尼亚为研究区域，水稻面积提取的总体准确率较高，同时还提供了较高的可解释性。
关键词
Synthetic aperture radar (SAR),Interpretable deep learing,rice area
报告人
葛纪
博士研究生 中国科学院空天信息创新研究院稿件作者
全部评论
重要日期
-
会议日期
05月17日
2024
至05月20日
2024
-
03月31日 2024
初稿截稿日期
-
03月31日 2024
报告提交截止日期
-
05月20日 2024
注册截止日期
主办单位
青年地学论坛理事会
承办单位
厦门大学近海海洋环境科学国家重点实验室
中国科学院城市环境研究所
自然资源部第三海洋研究所
中国科学院城市环境研究所
自然资源部第三海洋研究所
联系方式
- 辜克兢（会务总协调、会场安排、学术安排）
- gu******@xmu.edu.cn
- 139********
- 柳欣（会务总协调）
- li******@xmu.edu.cn
- 138********
- 孙佳妮（会务总协调）
- sc******@chytey.com
- 152********
- 窦恒（会场安排、学术安排）
- do******@chytey.com
- 186********
- 李招英（会场技术服务）
- li******@xmu.edu.cn
- 138********
- 刘琳（学术安排）
- ll******@iue.ac.cn
- 133********
- 李虎（学术安排）
- hl******@iue.ac.cn
- 189********
- 柳欣（学术安排）
- li******@xmu.edu.cn
- 138********
- 胡勤梅（会议注册）
- ma******@chytey.com
- 135********
- 孙晓笛（会议注册）
- xi******@xmu.edu.cn
- 188********
- 许心雅（会议财务）
- xu******@xmu.edu.cn
- 180********
- 朱佳（商业赞助）
- zh******@xmu.edu.cn
- 139********
- 张君（海报张贴）
- ju******@xmu.edu.cn
- 138********
- 卢巍（海报张贴）
- lu******@chytey.com
- 189********
- 李璟（酒店预订及咨询）
- li******@chytey.com
- 186********
发表评论