Contrasting local and global modeling with machine learning and satellite data: A case study estimating tree canopy height in African savannas

要約

衛星画像を使用した機械学習 (SatML) の進歩により、地球規模での環境モニタリングが容易になりましたが、刻々と変化する地球を理解し、行動するためには、正確で地域にとって役立つ SatML モデルの開発が依然として重要です。
グローバル データを使用した SatML モデルのトレーニングにますます注目とリソースが注がれるようになっているため、グローバル モデルの改善により、特定の地域で正確なモデルのトレーニングや微調整が容易になる時期を理解することが重要です。
この疑問を探るために、モザンビークのカリンガニ動物保護区での樹冠高さ (TCH) マッピングのケーススタディを通じて、SatML のローカルとグローバルのトレーニング パラダイムを対比します。
グローバル TCH マッピングにおける最近の進歩が、調査地域におけるローカル モデリング能力の向上に必ずしもつながるわけではないことがわかりました。
具体的には、ローカルで収集されたデータのみを使用してトレーニングされた小規模モデルは、公開されているグローバル TCH マップよりも優れたパフォーマンスを発揮し、ローカル データを使用して微調整したグローバルに事前トレーニングされたモデルよりも優れたパフォーマンスを発揮します。
これらの結果をさらに分析することで、ローカルとグローバルのモデリング パラダイム間の具体的な対立点と相乗効果を特定し、地理空間機械学習におけるローカルとグローバルのパフォーマンス目標の調整に向けた将来の研究に役立てることができます。

要約(オリジナル)

While advances in machine learning with satellite imagery (SatML) are facilitating environmental monitoring at a global scale, developing SatML models that are accurate and useful for local regions remains critical to understanding and acting on an ever-changing planet. As increasing attention and resources are being devoted to training SatML models with global data, it is important to understand when improvements in global models will make it easier to train or fine-tune models that are accurate in specific regions. To explore this question, we contrast local and global training paradigms for SatML through a case study of tree canopy height (TCH) mapping in the Karingani Game Reserve, Mozambique. We find that recent advances in global TCH mapping do not necessarily translate to better local modeling abilities in our study region. Specifically, small models trained only with locally-collected data outperform published global TCH maps, and even outperform globally pretrained models that we fine-tune using local data. Analyzing these results further, we identify specific points of conflict and synergy between local and global modeling paradigms that can inform future research toward aligning local and global performance objectives in geospatial machine learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google