Towards Global Crop Maps with Transfer Learning

要約

世界人口の継続的な増加や気候変動が作物生産に与える影響は、食料分野に大きな影響を与えると予想されます。このような背景から、根拠に基づいた意思決定を行うために、タイムリーで大規模かつ正確な作物のマッピングが必要とされています。この方向性を実現する鍵となるのが、高い時空間分解能と全地球をカバーするビッグなリモートセンシングデータを自由に提供する新しい衛星ミッションである。過去10年間、このような大規模な地球観測の急増により、深層学習法がリモートセンシングと作物マッピングの文献を支配してきた。しかしながら、深層学習モデルは大量のアノテーションデータを必要とし、そのデータは希少で入手が困難である。この問題に対処するため、移転学習法を用いて利用可能なアノテーションを活用し、他の地域、作物の種類、検査年に対する作物マッピングを可能にすることができる。本研究では、Sentinel-1 VH時系列を用いて、韓国における水稲検出のためのディープラーニングモデルを開発し、トレーニングを行った。その後、i) フランスとスペインでの水稲検出、ii) オランダでの大麦検出のためにモデルを微調整する。さらに、追加入力特徴（Sentinel-1 VV）を取り込むために、事前に学習させた重みの修正を提案する。我々のアプローチは、同じ作物種で異なる地域へ移動する際に優れた性能を示し、異なる地域と作物種で移動する際に有望な結果を示した。

要約(オリジナル)

The continuous increase in global population and the impact of climate change on crop production are expected to affect the food sector significantly. In this context, there is need for timely, large-scale and precise mapping of crops for evidence-based decision making. A key enabler towards this direction are new satellite missions that freely offer big remote sensing data of high spatio-temporal resolution and global coverage. During the previous decade and because of this surge of big Earth observations, deep learning methods have dominated the remote sensing and crop mapping literature. Nevertheless, deep learning models require large amounts of annotated data that are scarce and hard-to-acquire. To address this problem, transfer learning methods can be used to exploit available annotations and enable crop mapping for other regions, crop types and years of inspection. In this work, we have developed and trained a deep learning model for paddy rice detection in South Korea using Sentinel-1 VH time-series. We then fine-tune the model for i) paddy rice detection in France and Spain and ii) barley detection in the Netherlands. Additionally, we propose a modification in the pre-trained weights in order to incorporate extra input features (Sentinel-1 VV). Our approach shows excellent performance when transferring in different areas for the same crop type and rather promising results when transferring in a different area and crop type.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL