基于迁移学习的全球作物制图探索
计算机视觉与模式识别
2022-11-11 v2 人工智能
机器学习
摘要
全球人口的持续增长以及气候变化对作物生产的影响预计将显著冲击粮食部门。在此背景下，需要及时、大规模且精确的作物制图以支持循证决策。朝此方向发展的一个关键推动因素是新的卫星任务，它们免费提供具有高时空分辨率和全球覆盖范围的大量遥感数据。在过去十年中，由于地球观测大数据的激增，深度学习方法已在遥感和作物制图文献中占据主导地位。然而，深度学习模型需要大量标注数据，而这些数据稀缺且难以获取。为解决这一问题，可使用迁移学习方法利用现有标注，实现对其他区域、作物类型和监测年份的作物制图。在这项工作中，我们开发并训练了一个深度学习模型，利用 Sentinel-1 VH 时间序列数据在韩国进行水稻检测。随后，我们对模型进行微调，用于 i) 法国和西班牙的水稻检测，以及 ii) 荷兰的大麦检测。此外，我们提出了一种对预训练权重的修改，以纳入额外的输入特征（Sentinel-1 VV）。我们的方法在跨区域迁移同一作物类型时表现出色，在跨区域和跨作物类型迁移时也取得了相当有前景的结果。
引用
@article{arxiv.2211.04755,
title = {Towards Global Crop Maps with Transfer Learning},
author = {Hyun-Woo Jo and Alkiviadis Koukos and Vasileios Sitokonstantinou and Woo-Kyun Lee and Charalampos Kontoes},
journal= {arXiv preprint arXiv:2211.04755},
year = {2022}
}
备注
Accepted for publication at Tackling Climate Change with Machine Learning: workshop at NeurIPS 2022