HarvestNet：利用收获堆与遥感检测小农耕作活动的数据集
计算机视觉与模式识别
2024-03-07 v2 机器学习
摘要
小农场在发展中国家生产用地中占很大份额。在诸如撒哈拉以南非洲等 80% 农场为小型（面积低于 2 公顷）的地区，绘制小农耕地地图是追踪作物生产力等可持续性措施的重要部分。然而，小农场在视觉上多样且细微的外观限制了传统耕地制图方法的有效性。此处我们提出一种基于检测全球众多小农系统特征的收获堆的新方法。我们呈现 HarvestNet，一个用于绘制 2020–2023 年埃塞俄比亚 Tigray 与 Amhara 地区农场存在情况的数据集，通过专家知识与卫星图像采集，总计 7k 手工标注图像与 2k 地面采集标注。我们还基准测试了一组基线，包括遥感中的 SOTA 模型，我们的最佳模型在手工标注数据上约有 80% 分类性能，在 Tigray 与 Amhara 的地面真值数据上分别有 90% 与 98% 准确率。我们还与广泛使用的既有覆盖图做了视觉比较，显示我们的模型在 Tigray 检测出额外 56,621 公顷耕地。我们得出结论：收获堆的遥感有助于粮食不安全区域更及时准确的耕地评估。数据集可通过 https://figshare.com/s/45a7b45556b90a9a11d2 访问，而数据集与基准的代码公开于 https://github.com/jonxuxu/harvest-piles
引用
@article{arxiv.2308.12061,
title = {HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing},
author = {Jonathan Xu and Amna Elmustafa and Liya Weldegebriel and Emnet Negash and Richard Lee and Chenlin Meng and Stefano Ermon and David Lobell},
journal= {arXiv preprint arXiv:2308.12061},
year = {2024}
}
备注
submitted to AAAI24