A region-wide, multi-year set of crop field boundary labels for Africa

要約

アフリカの農業は急速な変革を迎えています。
この変化の性質を理解するには、作物畑の年次地図が鍵となりますが、そのような地図は現在不足しており、高解像度のリモート センシング画像で訓練された高度な機械学習モデルを使用して開発する必要があります。
このようなモデルの開発を可能にするために、ラベルエラーを評価および軽減するための手順が組み込まれたカスタムラベルプラットフォームを使用して、2017 年から 2023 年の間に大陸全土で撮影された 33,746 枚の惑星画像にフィールドの境界を描きました。
42,403 個のラベルを収集しました。その内訳は、ラベルの品質評価専用のタスクから生じた 7,204 個のラベル (クラス 1 ラベル)、1 人のラベラーによって一度マッピングされたサイトからの 32,167 個 (クラス 2)​​、および 3 人以上のラベラーがマッピングを担当したサイトからの 3,032 個のラベルです。
同じ場所 (クラス 4)。
クラス 1 ラベルはラベラー固有の品質スコアの計算に使用され、少なくとも 3 人のラベラーによってマッピングされたクラス 1 およびクラス 4 サイトは、ベイジアン リスク指標を使用してラベルの不確実性をさらに評価するために使用されました。
品質メトリクスは、フィールド全体の範囲の測定に関してはラベル品質が中程度に高い (0.75) ものの、描写された個々のフィールドの数 (0.33) およびフィールド エッジの位置 (0.05) に関しては低いことを示しました。
これらの値は、解像度 3 ～ 5 m の画像で小規模な圃場を描写する場合に期待されますが、特に密集した農地では、粗すぎて小さな圃場を確実に区別できない場合があるため、ラベル作成者の十分な判断が必要になります。
それにもかかわらず、以前の研究は、そのようなラベルが効果的なフィールド マッピング モデルをトレーニングできることを示しています。
さらに、この大規模で確率的なサンプルは、それ自体で地域の農業の特徴に関する貴重な洞察を提供し、畑のサイズと密度の中央値の変動を浮き彫りにします。
画像とベクトル化されたラベルは、品質情報とともに 2 つのパブリック リポジトリからダウンロードできます。

要約(オリジナル)

African agriculture is undergoing rapid transformation. Annual maps of crop fields are key to understanding the nature of this transformation, but such maps are currently lacking and must be developed using advanced machine learning models trained on high resolution remote sensing imagery. To enable the development of such models, we delineated field boundaries in 33,746 Planet images captured between 2017 and 2023 across the continent using a custom labeling platform with built-in procedures for assessing and mitigating label error. We collected 42,403 labels, including 7,204 labels arising from tasks dedicated to assessing label quality (Class 1 labels), 32,167 from sites mapped once by a single labeller (Class 2) and 3,032 labels from sites where 3 or more labellers were tasked to map the same location (Class 4). Class 1 labels were used to calculate labeller-specific quality scores, while Class 1 and 4 sites mapped by at least 3 labellers were used to further evaluate label uncertainty using a Bayesian risk metric. Quality metrics showed that label quality was moderately high (0.75) for measures of total field extent, but low regarding the number of individual fields delineated (0.33), and the position of field edges (0.05). These values are expected when delineating small-scale fields in 3-5 m resolution imagery, which can be too coarse to reliably distinguish smaller fields, particularly in dense croplands, and therefore requires substantial labeller judgement. Nevertheless, previous work shows that such labels can train effective field mapping models. Furthermore, this large, probabilistic sample on its own provides valuable insight into regional agricultural characteristics, highlighting variations in the median field size and density. The imagery and vectorized labels along with quality information is available for download from two public repositories.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google