Google街景与深度学习：一种用于作物制图的新型地面真值获取方法
计算机视觉与模式识别
2019-12-12 v1
摘要
地面参照对于有监督作物制图至关重要。然而，传统的地面真值获取涉及大量的野外调查与后处理，在时间与人力上成本高昂。在本研究中，我们应用卷积神经网络(CNN)模型，在两个不同的农业区——伊利诺伊州中部与加利福尼亚州南部——探索通过Google街景(GSV)图像进行自动地面真值获取的有效性。我们以植被指数作为模型输入执行基于像素的作物制图，进一步证明了这一新型地面参照技术的可行性与可靠性。结果使用美国农业部(USDA)作物数据层(CDL)产品进行评估。从8,514张GSV图像中，CNN模型筛选出2,645张目标作物图像。这些图像被良好地分类为包括苜蓿、杏仁、玉米、棉花、葡萄、大豆和开心果在内的作物类型。GSV图像分类总体准确率在加利福尼亚达到93%，在伊利诺伊达到97%。随后，我们使用固定经验系数平移图像地理坐标，生成8,173个作物参照点，其中伊利诺伊1,764个、加利福尼亚6,409个。使用CDL产品对这些新参照点进行评估显示出令人满意的一致性，一致率为94%至97%。基于CNN的制图也捕捉到作物类型分布的总体格局。CDL产品与我们的制图结果之间的总体差异在加利福尼亚为4%，在伊利诺伊为5%。因此，利用这些深度学习与GSV图像技术，我们提供了一种高效且具成本效益的地面参照与作物制图替代方法。
引用
@article{arxiv.1912.05024,
title = {Google street view and deep learning: a new ground truthing approach for crop mapping},
author = {Yulin Yan and Youngryel Ryu},
journal= {arXiv preprint arXiv:1912.05024},
year = {2019}
}