[論文レビュー] Rapid Response Crop Maps in Data Sparse Regions

Hannah Kerner, Gabriel Tseng+6 more|arXiv (Cornell University)|Jun 23, 2020

Remote Sensing in AgricultureEnvironmental Science参考文献 30被引用数 17

ひとこと要約

本論文は、データスパarsな地域における高解像度（10 m）の耕地マップを、迅速かつデータ効率的に生成する手法を提示する。マルチヘッドLSTMネットワークを用い、グローバルなクラウドソーシングラベルと限られた現地の地面真値データを統合することで、COVID-19パンデミック期に10日以内にトゴの耕地マップを完成させ、既存のマップを上回り、人道的意思決定をリアルタイムで可能にした。

ABSTRACT

Spatial information on cropland distribution, often called cropland or crop maps, are critical inputs for a wide range of agriculture and food security analyses and decisions. However, high-resolution cropland maps are not readily available for most countries, especially in regions dominated by smallholder farming (e.g., sub-Saharan Africa). These maps are especially critical in times of crisis when decision makers need to rapidly design and enact agriculture-related policies and mitigation strategies, including providing humanitarian assistance, dispersing targeted aid, or boosting productivity for farmers. A major challenge for developing crop maps is that many regions do not have readily accessible ground truth data on croplands necessary for training and validating predictive models, and field campaigns are not feasible for collecting labels for rapid response. We present a method for rapid mapping of croplands in regions where little to no ground data is available. We present results for this method in Togo, where we delivered a high-resolution (10 m) cropland map in under 10 days to facilitate rapid response to the COVID-19 pandemic by the Togolese government. This demonstrated a successful transition of machine learning applications research to operational rapid response in a real humanitarian crisis. All maps, data, and code are publicly available to enable future research and operational systems in data-sparse regions.

研究の動機と目的

• データスパarsな地域、特に小規模農業が支配的なサハラ以南アフリカにおいて、高解像度かつ最新の耕地マップが著しく不足しているという深刻な課題に対処すること。
• 現地のフィールドデータが入手不能またはフィールド調査が現実的でない地域において、機械学習モデルの学習に必要な限られた地面真値データの課題を克服すること。
• COVID-19パンデミックのような人道的危機に迅速かつ運用可能に耕地マップを生成するための機械学習手法を開発すること。
• 研究段階の機械学習技術が、現実の危機対応において運用に移行するプロセスを実証すること。
• 将来的な研究および運用システムの支援を目的として、公開可能なマップ、コード、データを提供すること。

提案手法

• マルチヘッドLSTMネットワークを用い、1か月ごとのSentinel-2マルチスペクトル衛星画像の時系列データを用いて、各ピクセルにおける耕地の有無を分類する。
• 2つのデータストリームを活用する：グローバルなクラウドソーシングラベル（Geo-Wikiから得られる数万件の例）と、ターゲット地域の高解像度衛星画像の写真解釈による、限定的だが体系的に選別されたローカルラベル。
• グローバルストリームは、多様な地理的環境における耕地の識別に向けた一般化された特徴を学習し、ローカルストリームはターゲット地域における高精度な特徴を学習する。
• 広範なローカルラベリングに依存しないように、グローバルおよびローカルデータを統合するハイブリッドトレーニング戦略を採用する。
• AWSを介したクラウドベースの計算により、スケーラブルかつ分散処理が可能となり、全国規模のモデルトレーニングと推論が高速化された。
• 最終的なモデルは、10日未満で全国規模の推論にデプロイされたが、ファイル転送とデータアクセスが主な時間的ボトルネックであった。

実験結果

リサーチクエスチョン

• RQ1 グローバルなクラウドソーシングラベルと最小限のローカル地面真値データを組み合わせて学習したディープラーニングモデルは、データスパars地域において高解像度の耕地マップを生成できるか？
• RQ2 このようなモデルは、危機発生時における迅速な人道的意思決定を支援するために、どの程度の速さでデプロイ可能か？
• RQ3 限られたラベルデータを前提とした場合、比較的単純で浅いLSTMアーキテクチャが、複雑なモデルを上回る性能を発揮できるか？
• RQ4 Geo-Wiki や Copernicus といった既存の公開データセットを、新しい耕地マッピング手法のベンチマークおよび検証にどの程度活用できるか？
• RQ5 研究段階からリアルタイムの危機対応への移行を可能にする、どのような運用指向のソフトウェア工学的実践が有効か？

主な発見

• トゴの10 m解像度の耕地マップが、10日未塔で成功裏に生成され、政府に提供され、COVID-19パンデミック期における迅速な政策対応を可能にした。
• 本手法は、GFSAD や Copernicus といった既存の公開耕地マップよりも、トゴにおいて精度と空間解像度の両面で優れていた。
• 限られた数の体系的に選別されたローカルラベルを用いることで、著しく高価で時間がかかるフィールド調査の必要性を削減できた。
• 浅いLSTMアーキテクチャの使用は、過学習の低減とトレーニング時間の短縮を実現し、有効かつ効率的であった。
• クラウドコンピューティング（AWS）により、スケーラブルかつ分散処理が可能となり、全国規模の迅速な推論が実現した。
• 本研究は、研究段階の機械学習技術から人道的危機対応への運用への成功した移行を実証した。すべてのデータ、コード、マップは将来的な研究および運用を支援する目的で公開された。