利用合成数据训练网络实现未调查区域作物生长期的季内进度监测
机器学习
2022-12-15 v1 计算机视觉与模式识别
摘要
许多商品作物在生长阶段特别易受胁迫诱导的产量损失影响。季内作物进度信息有助于量化作物风险，卫星遥感（RS）可用于区域尺度上的进度追踪。目前，所有现有的面向作物特定阶段的基于 RS 的作物进度估算（CPE）方法都依赖地面真值数据进行训练/校准。这种对地面调查数据的依赖将 CPE 方法限制于已调查区域，限制了其实用性。本研究开发了一种新方法，通过结合已调查区域数据与为未调查区域生成的合成作物进度数据，在未调查区域开展基于 RS 的季内 CPE。以阿根廷玉米种植区作为替代性“未调查”区域。将现有天气生成、作物生长和光学辐射传输模型关联，以生成合成天气、作物进度和冠层反射率数据。基于双向长短期记忆（LSTM）的神经网络（NN）方法分别在有调查数据、合成数据以及两种有调查与合成数据组合上训练。提出了一种使用有调查与合成数据验证损失加权散度的停止准则。在所有作物进度阶段上的净 F1 分数在由已调查区域与合成数据组合训练时提高了 8.7%，且总体表现仅比 NN 在已调查数据上训练并应用于美国中西部时低 21%。合成数据带来的性能增益在具有双播种窗口的 zone 中最大，而纳入美国中西部的已调查区域数据有助于缓解 NN 对 NDVI 数据噪声的敏感性。总体结果表明，通过增加合成作物进度数据的数量与多样性，在其他未调查区域实现季内 CPE 或许可行。
引用
@article{arxiv.2212.06896,
title = {In-Season Crop Progress in Unsurveyed Regions using Networks Trained on Synthetic Data},
author = {George Worrall and Jasmeet Judge},
journal= {arXiv preprint arXiv:2212.06896},
year = {2022}
}