Country-Scale Cropland Mapping in Data-Scarce Settings Using Deep Learning: A Case Study of Nigeria

要約

農地マップは、リモート センシング ベースの農業モニタリングの中核となる重要なコンポーネントであり、農業開発に関する緻密な最新情報を提供します。
機械学習は大規模な農業マッピングには効果的なツールですが、モデルのトレーニングとテストには地理参照されたグラウンドトゥルース データに依存しているため、データが不足していたり​​、入手に時間がかかる場合があります。
この研究では、2020 年のナイジェリアの新しい農地マップを 10 m 解像度で生成するための機械学習モデルをトレーニングするために、世界規模の農地データセットと手作業でラベル付けされたデータセットを組み合わせることの有用性を調査します。
農地の存在を示すバイナリ ラベルに加えて、Sentinel-1 および 2、ERA5 気候データ、DEM データなどのリモート センシング ソースからのピクセル単位の時系列入力データをモデルに提供します。
ナイジェリア全土に均等に分散された 1827 個のピクセルに手動でラベルを付け、モデルの適合と出力マップのテストに使用する 50% のトレーニング、25% の検証、および 25% のテスト セットに分割しました。
シングルヘッドおよびマルチヘッドの長短期記憶 (LSTM) ニューラル ネットワーク分類器、ランダム フォレスト分類器、および 3 つの既存の 10 m 解像度の地球規模土地被覆マップ (Google の Dynamic World、ESRI の Land Cover、
ESA の WorldCover) を、私たちが提案するテスト セットに組み込んでいます。
農地の外観が地域的に異なることを考慮して、対象データ分布との類似性の観点からデータ量とデータ品質の間のトレードオフを経験的に評価するために、世界中のクラウドソースの Geowiki 農地データセットを除外またはサブセットする実験を追加しました。
ナイジェリア。
テスト セットでは、既存の WorldCover マップが F1 スコア 0.825、精度 0.870 で最高のパフォーマンスを示し、次に手作業でラベル付けされたトレーニング サンプルとナイジェリアの Geowiki データ ポイントでトレーニングされた単頭 LSTM モデルが続くことがわかりました。
F1 スコアは 0.814、精度は 0.842 でした。

要約(オリジナル)

Cropland maps are a core and critical component of remote-sensing-based agricultural monitoring, providing dense and up-to-date information about agricultural development. Machine learning is an effective tool for large-scale agricultural mapping, but relies on geo-referenced ground-truth data for model training and testing, which can be scarce or time-consuming to obtain. In this study, we explore the usefulness of combining a global cropland dataset and a hand-labeled dataset to train machine learning models for generating a new cropland map for Nigeria in 2020 at 10 m resolution. We provide the models with pixel-wise time series input data from remote sensing sources such as Sentinel-1 and 2, ERA5 climate data, and DEM data, in addition to binary labels indicating cropland presence. We manually labeled 1827 evenly distributed pixels across Nigeria, splitting them into 50\% training, 25\% validation, and 25\% test sets used to fit the models and test our output map. We evaluate and compare the performance of single- and multi-headed Long Short-Term Memory (LSTM) neural network classifiers, a Random Forest classifier, and three existing 10 m resolution global land cover maps (Google’s Dynamic World, ESRI’s Land Cover, and ESA’s WorldCover) on our proposed test set. Given the regional variations in cropland appearance, we additionally experimented with excluding or sub-setting the global crowd-sourced Geowiki cropland dataset, to empirically assess the trade-off between data quantity and data quality in terms of the similarity to the target data distribution of Nigeria. We find that the existing WorldCover map performs the best with an F1-score of 0.825 and accuracy of 0.870 on the test set, followed by a single-headed LSTM model trained with our hand-labeled training samples and the Geowiki data points in Nigeria, with a F1-score of 0.814 and accuracy of 0.842.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google