Weakly Supervised Framework Considering Multi-temporal Information for Large-scale Cropland Mapping with Satellite Imagery

要約

大規模な耕作地の正確な地図作成は、農業生産の管理と計画にとって非常に重要です。
現在、リモートセンシングデータとディープラーニング技術の組み合わせは、農地マッピングにおいて優れたパフォーマンスを示しています。
ただし、これらのアプローチには大量の正確なラベルが必要であり、労力がかかります。
ラベルコストを削減するために、この研究では、大規模な農地マッピングのための多時間情報を考慮した弱い教師ありフレームワークを提示しました。
具体的には、全球土地被覆 (GLC) 製品間の一貫性に従って高品質のラベルを抽出し、教師あり学習信号を構築します。
一方で、高品質ラベルに残っているエラーに対するモデルの過剰信頼によって引き起こされる過剰適合の問題を軽減するために、視覚/空間領域で農地の類似性/集合をエンコードして教師なし学習信号を構築し、それを取得します。
監視対象部分を制約するための正則化項として。
一方で、高品質のラベルなしでサンプル内の豊富な情報を十分に活用するために、これらのサンプルに教師なし学習信号も組み込んで、特徴空間の多様性を高めます。
その後、農地の生物季節的特徴を捉えるために、高密度衛星画像時系列 (SITS) を導入して、提案されたフレームワークを時間次元で拡張します。
また、高次元の季節学的特徴を視覚化して、多時点情報が農地抽出にどのように役立つかを明らかにし、データ不足の条件下でのこの方法の堅牢性を評価しました。
提案されたフレームワークは、大規模農地マッピングにおける 3 つの調査地域 (湖南省、フランス南東部、カンザス州) にわたる強力な適応性が実験的に検証されており、内部メカニズムと時間的一般化性も調査されています。

要約(オリジナル)

Accurately mapping large-scale cropland is crucial for agricultural production management and planning. Currently, the combination of remote sensing data and deep learning techniques has shown outstanding performance in cropland mapping. However, those approaches require massive precise labels, which are labor-intensive. To reduce the label cost, this study presented a weakly supervised framework considering multi-temporal information for large-scale cropland mapping. Specifically, we extract high-quality labels according to their consistency among global land cover (GLC) products to construct the supervised learning signal. On the one hand, to alleviate the overfitting problem caused by the model’s over-trust of remaining errors in high-quality labels, we encode the similarity/aggregation of cropland in the visual/spatial domain to construct the unsupervised learning signal, and take it as the regularization term to constrain the supervised part. On the other hand, to sufficiently leverage the plentiful information in the samples without high-quality labels, we also incorporate the unsupervised learning signal in these samples, enriching the diversity of the feature space. After that, to capture the phenological features of croplands, we introduce dense satellite image time series (SITS) to extend the proposed framework in the temporal dimension. We also visualized the high dimensional phenological features to uncover how multi-temporal information benefits cropland extraction, and assessed the method’s robustness under conditions of data scarcity. The proposed framework has been experimentally validated for strong adaptability across three study areas (Hunan Province, Southeast France, and Kansas) in large-scale cropland mapping, and the internal mechanism and temporal generalizability are also investigated.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google