结合深度学习与街景影像绘制小农作物类型图

准确的作物类型图是大规模监测产量进展、预测全球作物产量及规划有效政策的重要信息源。然而，由于缺少用于训练机器学习模型的地面真值标签，中低收入国家至今仍难以制作作物类型图。田野调查在准确性上是金标准，却往往需要 prohibitively 大量的时间、资金与统计能力。近年来，Google Street View、KartaView 与 Mapillary 等街景级影像已在全球可用，此类影像包含特定地点与时间的作物类型丰富信息。本文开发了一套利用深度学习与 Google Street View 影像自动生成作物类型地面参考的系统：该方法高效筛选含农田的街景图像集，利用来自不同域外的弱标签图像训练作物类型预测模型，并将预测标签与遥感时间序列结合以生成无缝作物类型图。我们表明，在泰国，所得的水稻、木薯、玉米与甘蔗全国地图准确率可达 93%。我们公开发布了首个无缺失的泰国 2022 年全境 10 米分辨率作物类型图。据我们所知，这是首次为任一小农国家制作 10 米分辨率多作物图。随着路边影像可用性的扩展，我们的流程提供了一种在全球尺度绘制作物类型图的方法，尤其适用于服务不足的小农地区。