[論文レビュー] BreizhCrops: A Time Series Dataset for Crop Type Mapping

Marc Rußwurm, Pelletier, Charlotte+3 more|arXiv (Cornell University)|May 28, 2019

Isotope Analysis in Ecology被引用数 27

ひとこと要約

BreizhCrops は、フランスブルターニュ地方を対象とした、Sentinel-2 衛星画像（大気上部および大気下部）の時間系列データセットであり、60万件を超えるラベル付きの作物フィールド時間系列を含む大規模な公開データセットである。9種類の作物タイプをカバーしており、作物種別マッピングのためのディープラーニングおよび従来のモデルのベンチマークを可能にする。変換器（Transformer）モデルが評価された手法の中で最高の精度を達成した。

ABSTRACT

We present Breizhcrops, a novel benchmark dataset for the supervised classification of field crops from satellite time series. We aggregated label data and Sentinel-2 top-of-atmosphere as well as bottom-of-atmosphere time series in the region of Brittany (Breizh in local language), north-east France. We compare seven recently proposed deep neural networks along with a Random Forest baseline. The dataset, model (re-)implementations and pre-trained model weights are available at the associated GitHub repository (https://github.com/dl4sits/BreizhCrops) that has been designed with applicability for practitioners in mind. We plan to maintain the repository with additional data and welcome contributions of novel methods to build a state-of-the-art benchmark on methods for crop type mapping.

研究の動機と目的

• 作物種別マッピングにおける衛星時間系列分類のための標準化され、公開可能なベンチマークの不足に対処すること。
• 一貫性のあるラベル付けとマルチタイムスタンプのSentinel-2反射率データを備えた大規模で空間的に分割されたデータセットを提供すること。
• 最新のディープラーニングおよび従来の機械学習モデルの作物種別分類における公平で再現可能な比較を可能にすること。
• オープンで保守可能なコードリポジトリと事前学習済みモデルを通じて、新規手法の開発と評価を支援すること。
• 農業時間系列におけるクラス不均衡、雲ノイズ、空間自己相関といった主な課題に対処すること。

提案手法

• 本データセットは、フランスのブルターニュ地方におけるSentinel-2 L1C（大気上部）およびL2A（大気下部）反射率データから得られたフィールドレベルの時間系列を基に構築された。
• 作物ラベルは、公式で匿名化されたフィールドレベルの作物種別アノテーションを保証する、フランス農業土地パラメータ情報システム（RPG）から取得した。
• 空間的漏洩を防ぐために、NUTS-3地域（コート＝ドゥール＝アーモール、フィニステール、イル＝エ＝ヴィラーヌ、モルビアン）に沿ってデータを分割した。
• 7つの分類モデルを評価した：ランダムフォレストおよび6つのディープラーニングアーキテクチャ（畳み込み型、再帰型、アテンションベース型、例：変換器）。
• データセット、モデル実装、事前学習済み重み、および即時利用可能な最小限の動作例を含む、キュレートされたGitHubリポジトリが提供されている。
• モデル評価には、マクロF1スコアや正解率といった標準的な指標を用い、空間的に分離された訓練・検証・テスト分割を採用した。

実験結果

リサーチクエスチョン

• RQ1 最新のディープラーニングモデルは、作物種別マッピングのための標準化され、大規模な衛星時間系列データセット上で、どのように性能を発揮するか？
• RQ2 アテンションベース、畳み込み型、再帰型アーキテクチャの相対的な性能は、農業時間系列分類においてどう異なるか？
• RQ3 クラス不均衡、雲ノイズ、空間自己相関といった一般的な課題は、モデルの一般化性能にどのように影響を与えるか？
• RQ4 大気補正（L1C 対 L2A）は、現実の作物マッピング状況における分類精度にどの程度影響を与えるか？
• RQ5 公開可能で再現可能なベンチマークは、リモートセンシング時間系列分類における手法開発と比較をどの程度加速できるか？

主な発見

• 変換器ベースのモデルが、評価された全モデルの中で最高のマクロF1スコアを達成し、再帰型および畳み込み型ネットワークをわずかに上回った。
• ランダムフォレストベースラインが競争力のある性能を示し、このタスクにおける古典的機械学習の価値を浮き彫りにした。
• クラス不均衡がモデル性能に顕著な影響を与え、特に小麦やトウモロコシといった一般的な作物がラベル分布を支配していた。
• 雲に起因する反射率値の外れ値がノイズを引き起こし、特にL1Cデータではモデルの一般化性能に悪影響を与えた。
• NUTS-3地域に沿った空間的分割により、データ漏洩が効果的に抑制され、地域間でのモデル一般化性能が向上した。
• L2A（大気下部）プロダクトがL1Cよりもわずかに優れた性能を示したが、最終評価では差が顕著ではなかった。