缓解监督式作物分类中差劲 Ground Truth 的方法：基于 Sentinel-2 图像的多层次框架
计算机视觉与模式识别
2025-03-18 v1 人工智能
机器学习
摘要
在农业管理中，精确的 Ground Truth (GT) 数据对于准确的基于机器学习 (ML) 的作物分类至关重要。然而，作物误标和不正确的土地识别等问题十分常见。我们提出了一个多层次 GT 清洗框架，利用多时序 Sentinel-2 数据来解决这些问题。具体而言，该框架利用为农地生成嵌入向量、聚类相似作物轮廓以及识别指示 GT 错误的异常值。我们通过假色复合 (FCC) 检查验证了聚类结果，并使用基于距离的度量标准对此过程进行规模化和自动化。在模型在干净和不干净的数据上进行训练时，清理 GT 数据的重要性变得尤为明显。例如，当我们使用干净的 GT 数据训练随机森林模型时，F1 分数指标可提高最高达 70%。该方法推动了作物分类方法的发展，具有潜在的应用以改进贷款审批和农业决策。
引用
@article{arxiv.2503.11807,
title = {Mitigating Bad Ground Truth in Supervised Machine Learning based Crop Classification: A Multi-Level Framework with Sentinel-2 Images},
author = {Sanayya A and Amoolya Shetty and Abhijeet Sharma and Venkatesh Ravichandran and Masthan Wali Gosuvarapalli and Sarthak Jain and Priyamvada Nanjundiah and Ujjal Kr Dutta and Divya Sharma},
journal= {arXiv preprint arXiv:2503.11807},
year = {2025}
}
备注
Accepted In IEEE India Geoscience and Remote Sensing Symposium (InGARSS) 2024