基于深度学习与Sentinel-2时序数据的放牧检测
计算机视觉与模式识别
2025-10-17 v1
摘要
放牧方式不仅影响农业生产，还影响生物多样性，但对放牧发生区域的可扩展监测仍存在局限。本文利用Sentinel-2 L2A时序数据研究季节性放牧检测：针对每个由多边形定义的场地边界，使用4月至10月的影像进行二元预测（放牧中/未放牧）。我们在多时序反射率特征上训练CNN-LSTM模型的集成体系，在五个验证分割上实现77%的平均F1分数，对放牧牧场的召回率达到90%。在操作层面，如果检查员每年最多能访问4%的现场，优先检查模型预测为未放牧的场地，可比随机检查获取的确认性非放牧现场数高出17.2倍。这些结果表明，粗糙分辨率的免费卫星数据可可靠地引导检验资源，用于保护导向的土地利用合规性。代码和模型已公开提供。
关键词
引用
@article{arxiv.2510.14493,
title = {Grazing Detection using Deep Learning and Sentinel-2 Time Series Data},
author = {Aleksis Pirinen and Delia Fano Yela and Smita Chakraborty and Erik Källman},
journal= {arXiv preprint arXiv:2510.14493},
year = {2025}
}
备注
Code and models: https://github.com/aleksispi/pib-ml-grazing