TensorFlow 和 Keras 在 R 中使用长短期记忆 (LSTM) 识别作物类型

背景

在广阔的互联网中，人们可能期望找到关于任何给定主题的大量资源。然而，当基础长短期记忆（LSTM）在遥感领域的应用时，资源却出奇的稀缺。大多数可用的文献和教程已经发展到更复杂的方法，例如 ConvLSTM、Temporal Transformers 和 Bi-LSTM，为那些希望从基础知识开始的人留下了空白。也许这个表情包可以概括发生的事情。

对于很少处理时间或顺序深度学习分析的遥感分析师来说，这尤其具有挑战性。并非所有遥感分析师都深入研究这些先进技术。有些人更喜欢专注于更多的手动或视觉解释，以深入了解地质学、土地适宜性、水文学和其他领域。这些领域很少使用先进的深度学习技术，使得这些分析师很难找到相关且可访问的学习资源。

这篇文章旨在弥合这一差距。编写本书的目的是帮助遥感分析师和其他对该领域感兴趣的人理解和应用基本的 LSTM 进行作物类型识别。希望这将为那些希望将更先进的深度学习技术融入到未来工作中的人提供一个踏脚石。

为什么选择 LSTM？

长短期记忆 (LSTM) 特别适合农作物识别，因为它考虑了随时间的变化，这一特性称为时间考虑。您可以在此处更深入地了解 LSTM 介绍。每种作物随着时间的推移都有其独特的变化，表现为物候和种植周期。

物候学是对周期性植物和动物生命周期事件的研究，受到季节和年际气候变化以及海拔等栖息地因素的影响。另一方面，种植周期是指农民一年中种植农作物的时间。这些周期可能因作物类型、气候和地区而异。这些时间方面对于区分一种作物与另一种作物至关重要。例如，小麦的生长模式与玉米或水稻的生长模式有很大不同。通过使用 LSTM，我们可以有效地捕获这些时间变化，使其成为作物类型识别算法的明智选择。

使用 LSTM 识别作物类型

设置环境

我们将使用TensorFlow and Ker