Combining Deep Learning and Street View Imagery to Map Smallholder Crop Types

要約

正確な作物タイプマップは、収量の推移を大規模に監視し、世界の作物生産を予測し、効果的な政策を計画するために不可欠な情報源です。
ただし、機械学習モデルをトレーニングするためのグラウンド トゥルース ラベルが不足しているため、現在に至るまで、低所得国および中所得国で作物タイプ マップを作成するのは依然として困難です。
現地調査は正確さの点で最も優れた基準ですが、多くの場合、法外な量の時間、資金、統計能力が必要です。
近年、Google ストリート ビュー、KartaView、Mapillary などの街頭レベルの画像が世界中で利用できるようになりました。
このような画像には、特定の場所と時期に栽培された作物の種類に関する豊富な情報が含まれています。
この作業では、深層学習と Google ストリート ビュー画像を使用して作物タイプの地面参照を生成する自動システムを開発します。
この方法では、農作物畑を含む一連のストリートビュー画像を効率的に厳選し、ドメイン外の異なるソースからの弱くラベル付けされた画像を利用して作物の種類を予測するモデルをトレーニングし、予測されたラベルをリモート センシング時系列と組み合わせて壁を作成します。
壁までのクロップタイプマップ。
タイでは、得られた米、キャッサバ、トウモロコシ、サトウキビの全国地図が 93% の精度を達成していることを示します。
私たちは、2022 年のタイ全土を対象とした、隙間のない 10 メートルの解像度の初の作物タイプ マップを一般公開します。
私たちの知る限り、小規模国家向けに解像度 10 メートルの複数の作物を含む地図が作成されたのはこれが初めてです。
道路脇の画像の入手可能性が拡大するにつれ、当社のパイプラインは、世界中、特にサービスが十分に行き届いていない小規模自作農地域で、作物の種類を大規模にマッピングする方法を提供します。

要約(オリジナル)

Accurate crop type maps are an essential source of information for monitoring yield progress at scale, projecting global crop production, and planning effective policies. To date, however, crop type maps remain challenging to create in low and middle-income countries due to a lack of ground truth labels for training machine learning models. Field surveys are the gold standard in terms of accuracy but require an often-prohibitively large amount of time, money, and statistical capacity. In recent years, street-level imagery, such as Google Street View, KartaView, and Mapillary, has become available around the world. Such imagery contains rich information about crop types grown at particular locations and times. In this work, we develop an automated system to generate crop type ground references using deep learning and Google Street View imagery. The method efficiently curates a set of street view images containing crop fields, trains a model to predict crop type by utilizing weakly-labelled images from disparate out-of-domain sources, and combines predicted labels with remote sensing time series to create a wall-to-wall crop type map. We show that, in Thailand, the resulting country-wide map of rice, cassava, maize, and sugarcane achieves an accuracy of 93%. We publicly release the first-ever crop type map for all of Thailand 2022 at 10m-resolution with no gaps. To our knowledge, this is the first time a 10m-resolution, multi-crop map has been created for any smallholder country. As the availability of roadside imagery expands, our pipeline provides a way to map crop types at scale around the globe, especially in underserved smallholder regions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google