比较基于高分辨率卫星影像的 Bhutan 稻作地图中的深度学习模型
计算机视觉与模式识别
2024-06-12 v1 计算机与社会
机器学习
地球物理
摘要
不丹政府正在增加技术方法的应用，如将遥感知识纳入决策过程中。该研究聚焦于 Paro 区域的作物类型和作物范围，这是不丹主要稻作产区之一，采用来自 Planet 的公开 NICFI 高分辨率卫星影像。两种深度学习（DL）方法，点式（DNN）和块式（U-Net），结合了云计算平台。针对两种 DL 方法分别训练了三个不同模型：1）仅使用 Planet 的 RGBN 通道；2）RGBN 加高程数据（RGBNE）；3）RGBN 加 Sentinel-1（S1）数据（RGBNS），以及 RGBN 加 E 和 S1 数据（RGBNES）。通过这一全面分析，U-Net 在模型训练和验证过程中表现出更高的性能指标。在 U-Net 模型集合中，RGBN、RGBNE、RGBNS 和 RGBNES 模型的 F1 分数分别为 0.8546、0.8563、0.8467 和 0.8500。进行了独立的模型评估，发现所有指标之间存在较高的性能差异。在独立评估中，U-Net 的 RGBN、RGBNE、RGBNES 和 RGBN 模型的 F1 分数分别为 0.5935、0.6154、0.5882 和 0.6582，表明 U-Net RGBNES 模型最佳。该研究表明 DL 方法可以预测稻作作物。此外，DL 方法可与不丹农业部目前使用的调查方法相结合。最后，通过本研究的初步模型测试和比较表明，采用额外特征（如 NDVI、EVI 和 NDWI）并未显著提升模型性能。
引用
@article{arxiv.2406.07482,
title = {Comparing Deep Learning Models for Rice Mapping in Bhutan Using High Resolution Satellite Imagery},
author = {Biplov Bhandari and Timothy Mayer},
journal= {arXiv preprint arXiv:2406.07482},
year = {2024}
}