Local vs. Global: Local Land-Use and Land-Cover Models Deliver Higher Quality Maps

要約

2023 年には、アフリカ人口の 58.0% が中程度から重度の食糧不安を経験し、21.6% が深刻な食糧不安に直面しました。
土地利用地図と土地被覆地図は、作物の種類のマッピングと監視、収量の推定など、農業の取り組みを改善することで食料不安に対処するための重要な洞察を提供します。
地球規模の土地被覆地図の開発は、地球観測データの利用可能性の増加と地理空間機械学習の進歩によって促進されています。
ただし、アフリカでは、代表的なトレーニング データが不足していることもあり、これらの世界地図は精度が低く、不一致が見られます。
この問題に対処するために、教師と生徒のモデル設定を備えたデータ中心のフレームワークを提案します。このフレームワークは、衛星画像とラベルの例の多様なデータ ソースを使用して、地域の土地被覆地図を作成します。
私たちの方法では、解像度 0.331 m/ピクセルの画像で高解像度の教師モデルをトレーニングし、解像度 10 m/ピクセルの公開されている画像で低解像度の生徒モデルをトレーニングします。
また、学生モデルは、知識伝達を通じて教師モデルの出力を弱いラベルの例として利用します。
農業生産性で有名なケニアのムランガ郡をユースケースとしてフレームワークを評価しました。
当社のローカル モデルは、最高のグローバル モデルと比較して、F1 スコアで 0.14、交差点オーバーユニオンで 0.21 向上し、より高品質なマップを実現しました。
私たちの評価では、既存の地球地図間の不一致も明らかになり、相互間の最大一致率は 0.30 でした。
私たちの取り組みは、食料安全保障を強化するための情報に基づいた意思決定を推進するための貴重な指針を意思決定者に提供します。

要約(オリジナル)

In 2023, 58.0% of the African population experienced moderate to severe food insecurity, with 21.6% facing severe food insecurity. Land-use and land-cover maps provide crucial insights for addressing food insecurity by improving agricultural efforts, including mapping and monitoring crop types and estimating yield. The development of global land-cover maps has been facilitated by the increasing availability of earth observation data and advancements in geospatial machine learning. However, these global maps exhibit lower accuracy and inconsistencies in Africa, partly due to the lack of representative training data. To address this issue, we propose a data-centric framework with a teacher-student model setup, which uses diverse data sources of satellite images and label examples to produce local land-cover maps. Our method trains a high-resolution teacher model on images with a resolution of 0.331 m/pixel and a low-resolution student model on publicly available images with a resolution of 10 m/pixel. The student model also utilizes the teacher model’s output as its weak label examples through knowledge transfer. We evaluated our framework using Murang’a county in Kenya, renowned for its agricultural productivity, as a use case. Our local models achieved higher quality maps, with improvements of 0.14 in the F1 score and 0.21 in Intersection-over-Union, compared to the best global model. Our evaluation also revealed inconsistencies in existing global maps, with a maximum agreement rate of 0.30 among themselves. Our work provides valuable guidance to decision-makers for driving informed decisions to enhance food security.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google