[論文レビュー] Embedding -based Crop Type Classification in the Groundnut Basin of Senegal

Madeline Lisaius, Srinivasan Keshav+2 more|arXiv (Cornell University)|Jan 23, 2026

Remote Sensing in Agriculture被引用数 1

ひとこと要約

この論文は、セネガルの落花生盆地におけるTESSERAとAlphaEarthを用いた埋め込みベースの土地被覆と作物種別分類を評価し、TESSERAが低い計算量で基準よりも高い性能と転移性を示すことを示しています。

ABSTRACT

Crop type maps from satellite remote sensing are important tools for food security, local livelihood support and climate change mitigation in smallholder regions of the world, but most satellite-based methods are not well suited to smallholder conditions. To address this gap, we establish a four-part criteria for a useful embedding-based approach consisting of 1) performance, 2) plausibility, 3) transferability and 4) accessibility and evaluate geospatial foundation model (FM) embeddings -based approaches using TESSERA and AlphaEarth against current baseline methods for a region in the groundnut basin of Senegal. We find that the TESSERA -based approach to land cover and crop type mapping fulfills the selection criteria best, and in one temporal transfer example shows 28% higher accuracy compared to the next best method. These results indicate that TESSERA embeddings are an effective approach for crop type classification and mapping tasks in Senegal.

研究の動機と目的

• 埋め込みベースの小規模農家地域における作物マッピングの4つの基準（性能、妥当性、転移性、アクセス性）を定義する。
• セネガルにおける土地被覆と作物種別マッピングのためのジオスペーシャルファンデーションモデル埋め込み（TESSERAとAlphaEarth）をベースライン手法と比較する。
• モデルの年を跨ぐ転移可能性と実世界マッピングの実用性（計算量と特徴量設計）を評価する。
• 壁から壁への作物および土地被覆マップを提供し、研究地域の作付けの時系列変化を分析する。

提案手法

• FatickとNiakharのJECAMデータから2018年、2019年、2021年のラベル付きポリゴンデータを作成する。年度間でラベルを調和する。
• 雲 masking されたSentinel-1/2の時系列データ、植生指標、スペクトル時系列指標（STMs）、埋め込み（TESSERA 128次元、AlphaEarth 64次元）を含む入力を生成する。
• 入力タイプごとに複数の分類器 RF、XGBoost、SVM、LR、MLP を訓練し、入力タイプごとに上位2ヘッドからアンサンブルを構築する。
• withheld テストセットでの正解率、マクロF1、加重F1 で評価する。壁から壁へのマップで妥当性を評価する。年跨ぎの訓練/テストで転移可能性を検証する。CPU効率と特徴量設計の必要性を分析する。

Figure 1: Visualized are a) the location of the region of interest within Senegal and b) Sentinel-2 satellite imagery of the region of interest. This region is dominated by dry shrub land that has been converted into agricultural land and features a river delta in the south.

実験結果

リサーチクエスチョン

• RQ1 埋め込みベースのアプローチ（TESSERAとAlphaEarth）は、壁から壁への作物種別分類において小規模農業西アフリカ地域の伝統的ベースラインを上回るか。
• RQ2 埋め込みはセネガルにおける土地被覆と作物種別マッピングの年跨ぎ転移学習でどのように機能するか。
• RQ3 この文脈で、埋め込みベースの手法は従来手法より妥当性、転移性、アクセス性（計算量と特徴量設計）において優れているか。
• RQ4 Best-performing手法によって明らかになるFatick/Niakharにおける2018、2019、2021の作付けと間作の時空間パターンは何か。

主な発見

• TESSERA-アンサンブルとAlphaEarth-アンサンブルは年を通じて高い土地被覆精度を達成し、TESSERAはラン・ツー・ランの変動性がAlphaEarthより低い。
• 土地被覆の年跨ぎ転移学習は埋め込みベースの手法で実現可能であり、TESSERA、AlphaEarth、STMアプローチはいくつかの転移シナリオで重なる性能を示す。
• 作物種別分類では、埋め込みベースの手法（特にTESSERA）が3年間を通じてAlphaEarthより高い平均性能を示し、ラベル品質の差異に起因する年次ごとの劣化が顕著。
• 埋め込みは計算量と特徴量設計のニーズを削減し、TESSERAとAlphaEarthは生データやSTM入力よりも効率的で、アクセス性を向上させる。

Figure 2: Pictured are three example label polygons, not at the same scale, showing a) bare soil, b) shrub land, and c) build-up surface. There is meaningful overlap in characteristics of ground cover amongst the three, particularly with build-up surface.