一种用于小农灌溉检测的多尺度时空方法
计算机视觉与模式识别
2022-03-23 v2 机器学习
摘要
本文提出一种利用植被丰度的多尺度卫星影像的灌溉检测方法，并引入一个流程以补充有限的地面采集标签并确保分类器在感兴趣区域的适用性。对 MODIS 250m 增强植被指数（EVI）时序的时空分析在区域尺度上刻画原生植被物候，为一张连续的物候图提供基础，该图指导灌溉与非灌溉农业上补充标签的采集。随后，在 10m Sentinel-2 影像中观测到的已验证干季返青与衰老周期被用于训练一组分类器以自动检测潜在小农灌溉。我们展示了提升模型鲁棒性的策略，包括一种随机平移训练样本的数据增强方法，以及对在保留目标区域中表现最佳的分类器类型的评估。该方法被应用于检测埃塞俄比亚高原两个州（Tigray 与 Amhara）的小农灌溉。结果显示，基于 transformer 的神经网络架构在保留区域中实现了最鲁棒的预测性能，紧随其后的是 CatBoost 随机森林模型。在保留的地面采集调查标签上，基于 transformer 的模型在非灌溉样本上达到 96.7% 准确率，在灌溉样本上达到 95.9% 准确率。在通过所引入的标签补充方法独立采集的更大样本集上，非灌溉与灌溉标签分别以 98.3% 与 95.5% 的准确率被预测。该检测模型随后部署于 Tigray 与 Amhara，揭示了作物轮作模式与逐年灌溉面积变化。预测表明，这两个州的灌溉面积从 2020 到 2021 年减少了约 40%。
引用
@article{arxiv.2202.04239,
title = {A multiscale spatiotemporal approach for smallholder irrigation detection},
author = {Terence Conlon and Christopher Small and Vijay Modi},
journal= {arXiv preprint arXiv:2202.04239},
year = {2022}
}