Comparing Deep Learning Models for Rice Mapping in Bhutan Using High Resolution Satellite Imagery

要約

ブータン政府は、意思決定プロセスにリモート センシング ベースの知識を組み込むなど、技術的アプローチの利用を増やしています。
この研究は、ブータン有数の米生産地区の 1 つであるパロの作物の種類と作物の範囲に焦点を当てており、Planet から公開されている NICFI 高解像度衛星画像を使用しています。
ポイントベース (DNN) とパッチベース (U-Net) の 2 つのディープ ラーニング (DL) アプローチのモデルが、クラウド コンピューティング プラットフォームと組み合わせて使用​​されました。
DL アプローチ (DNN および U-Net) ごとに 3 つの異なるモデルがトレーニングされました。1) Planet からの RGBN チャネル。
2) RGBN および標高データ (RGBNE)。
3) RGBN および Sentinel-1 (S1) データ (RGBNS)、および RGBN と E および S1 データ (RGBNES)。
この包括的な分析から、U-Net はモデル トレーニングとモデル検証の両方の取り組みにおいてより高いパフォーマンス メトリクスを示しました。
U-Net モデル セットのうち、RGBN、RGBNE、RGBNS、RGBNES モデルの F1 スコアはそれぞれ 0.8546、0.8563、0.8467、0.8500 でした。
独立したモデル評価が実行され、すべてのメトリクスにわたって高いレベルのパフォーマンスの変動が見つかりました。
この独立したモデルの評価では、U-Net RGBN、RGBNE、RGBNES、および RGBN モデルの F1 スコアは 0.5935、0.6154、0.5882、および 0.6582 であり、U-Net RGBNES が最良のモデルであることが示唆されました。
この研究は、DL アプローチがイネを予測できることを示しています。
また、DL 手法は、ブータン農務省が現在利用している調査ベースのアプローチと併用することもできます。
さらに、この研究では、階級の不均衡問題に対処し、DL アプリケーションのサンプリング設計を改善するさまざまな層を捕捉するための弱いラベル アプローチとして、SERVIR の RLCMS などの地域土地被覆製品を使用することを実証しました。
最後に、概要を説明した予備的なモデル テストと比較を通じて、NDVI、EVI、NDWI などの追加機能を使用してもモデルのパフォーマンスが大幅に向上しないことが示されました。

要約(オリジナル)

The Bhutanese government is increasing its utilization of technological approaches such as including Remote Sensing-based knowledge in their decision-making process. This study focuses on crop type and crop extent in Paro, one of the top rice-yielding districts in Bhutan, and employs publicly available NICFI high-resolution satellite imagery from Planet. Two Deep Learning (DL) approaches, point-based (DNN) and patch-based (U-Net), models were used in conjunction with cloud-computing platforms. Three different models per DL approaches (DNN and U-Net) were trained: 1) RGBN channels from Planet; 2) RGBN and elevation data (RGBNE); 3) RGBN and Sentinel-1 (S1) data (RGBNS), and RGBN with E and S1 data (RGBNES). From this comprehensive analysis, the U-Net displayed higher performance metrics across both model training and model validation efforts. Among the U-Net model sets, the RGBN, RGBNE, RGBNS, and RGBNES models had an F1-score of 0.8546, 0.8563, 0.8467, and 0.8500 respectively. An independent model evaluation was performed and found a high level of performance variation across all the metrics. For this independent model evaluation, the U-Net RGBN, RGBNE, RGBNES, and RGBN models displayed the F1-scores of 0.5935, 0.6154, 0.5882, and 0.6582, suggesting U-Net RGBNES as the best model. The study shows that the DL approaches can predict rice. Also, DL methods can be used with the survey-based approaches currently utilized by the Bhutan Department of Agriculture. Further, this study demonstrated the usage of regional land cover products such as SERVIR’s RLCMS as a weak label approach to capture different strata addressing the class imbalance problem and improving the sampling design for DL application. Finally, through preliminary model testing and comparisons outlined it was shown that using additional features such as NDVI, EVI, and NDWI did not drastically improve model performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google