面向灌溉类型遥感映射的知识驱动深度学习
计算机视觉与模式识别
2025-06-06 v2
摘要
准确映射灌溉方法对于可持续农业实践和粮食系统至关重要。然而，现有仅依赖卫星影像光谱特征的模型因农业景观的复杂性和训练数据的有限性而显得无效，这是一项具有挑战性的任务。我们提出了知识驱动灌溉映射（KIIM）方法，这是一种基于 Swin-Transformer 的新型方法，采用 (i) 用于编码作物到灌溉概率的专用投影矩阵，(ii) 用于识别农业用地与非农业用地的空间注意力图，(iii) 用于聚焦不同模态器件中互补信息的双向交叉注意力，以及 (iv) 用于组合图像和作物信息预测的加权集成。我们在美国五个州的实验中显示，相对于基线方法，IoU 提升最高可达 22.9%，对于难以分类的滴灌，IoU 提升可达 71.4%。此外，我们提出了两种阶段的迁移学习方法，以增强跨州灌溉映射，实现了在数据有限的州内 IoU 提升 51%。仅使用 40% 的训练数据即可达到基线性能的结果，突显了其效率，减少了对大量手动标注工作的依赖，使大规模自动化灌溉映射更加可行和经济高效。
引用
@article{arxiv.2505.08302,
title = {Knowledge-Informed Deep Learning for Irrigation Type Mapping from Remote Sensing},
author = {Oishee Bintey Hoque and Nibir Chandra Mandal and Abhijin Adiga and Samarth Swarup and Sayjro Kossi Nouwakpo and Amanda Wilson and Madhav Marathe},
journal= {arXiv preprint arXiv:2505.08302},
year = {2025}
}
备注
Full version of the paper will be appearing at the Proceedings of the Thirty-Third International Joint Conference on Artificial Intelligence (IJCAI-25), Special Track on AI for Good