[논문 리뷰] A systematic review of the use of Deep Learning in Satellite Imagery for Agriculture

Brandon Victor, Zhen He외 1명|arXiv (Cornell University)|2022. 10. 03.

Smart Agriculture and AI인용 수 9

한 줄 요약

이 체계적 리뷰는 농업 분야의 위성 영상에서 딥러닝을 분석한 193편의 논문을 다루며, 복합 신경망(CNN)이 작물 분할 및 수확 예측과 같은 작업에서 전통적인 기계학습 방법보다 끊임없이 뛰어난 성능을 보임을 확인한다. 증가하는 활용에도 불구하고, 토양 건강, 식물 생리학, 작물 손상과 같은 분야에 공개 기준 데이터셋이 부족하여 재현성과 방법 비교가 제한된다.

ABSTRACT

Agricultural research is essential for increasing food production to meet the requirements of an increasing population in the coming decades. Recently, satellite technology has been improving rapidly and deep learning has seen much success in generic computer vision tasks and many application areas which presents an important opportunity to improve analysis of agricultural land. Here we present a systematic review of 150 studies to find the current uses of deep learning on satellite imagery for agricultural research. Although we identify 5 categories of agricultural monitoring tasks, the majority of the research interest is in crop segmentation and yield prediction. We found that, when used, modern deep learning methods consistently outperformed traditional machine learning across most tasks; the only exception was that Long Short-Term Memory (LSTM) Recurrent Neural Networks did not consistently outperform Random Forests (RF) for yield prediction. The reviewed studies have largely adopted methodologies from generic computer vision, except for one major omission: benchmark datasets are not utilised to evaluate models across studies, making it difficult to compare results. Additionally, some studies have specifically utilised the extra spectral resolution available in satellite imagery, but other divergent properties of satellite images - such as the hugely different scales of spatial patterns - are not being taken advantage of in the reviewed studies.

연구 동기 및 목표

• 딥러닝이 농업적 맥락에서 위성 영상에 어떻게 적용되고 있는지 식별하고 분류하는 것.
• 딥러닝 모델(예: CNN, LSTMs, 트랜스포머)의 성능을 전통적인 기계학습 방법과 비교하여 농업 작업 전반에서 평가하는 것.
• 위성 영상 기반 농업 딥러닝 연구의 기준 설정, 데이터 가용성 및 재현 가능성 상태를 평가하는 것.
• 현재 연구에서 미사용된 위성 데이터의 특징—예를 들어 스펙트럼 해상도, 시간 연속성, 지리적 위치—를 강조하는 것.
• 특히 부족한 농업 작업을 위한 공개 기준 데이터셋 개발을 포함한 향후 연구 방향을 제안하는 것.

제안 방법

• 딥러닝, 위성 영상, 농업을 포함한 주제로 Web of Science를 활용해 체계적 문헌 리뷰를 수행하였다.
• 딥러닝, 위성 영상, 농업 적용의 교차 분야에서 193편의 논문을 식별하였다.
• 위성 영상에 적용된 딥러닝 방법의 분류 체계를 수립하여 공간적, 스펙트럼적, 시간적 모델링 접근 방식을 구분하였다.
• 농업 작업을 땅 이용/용도(LULC), 작물 분할, 수확 예측, 토양/식물 건강 모니터링 등의 카테고리로 분류하였다.
• 모델 아키텍처 사용 추세(예: CNN, LSTMs, 비전 트랜스포머)와 작업 간 성능 비교를 분석하였다.
• 다양한 소스의 데이터(예: 지구관측위성-1 및 지구관측위성-2) 사용과 기하공간적, 스펙트럼적 정보의 모델 설계 통합 여부를 평가하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델, 특히 CNN과 트랜스포머는 어떤 방식으로 위성 영상에 농업 작업에 적용되고 있는가?
• RQ2 현대 딥러닝 모델의 성능은 전통적인 기계학습 방법(예: SVM, 랜덤 포레스트)에 비해 농업 위성 영상 분석에서 어떻게 평가되는가?
• RQ3 현재 연구에서 공개 기준 데이터셋은 어느 정도 사용되고 있으며, 재현성과 방법 비교에 어떤 영향을 미치는가?
• RQ4 스펙트럼 해상도, 시간 연속성, 지리적 위치와 같은 위성 영상의 특징 중 현재 딥러닝 응용에서 미사용된 요소는 무엇인가?
• RQ5 위성 영상에 딥러닝을 적용하는 데서의 주요 연구 격차와 향후 방향은 무엇인가?

주요 결과

• 복합 신경망(CNN)은 수확 예측 및 작물 분할과 같은 모든 농업 작업에서 SVM, 랜덤 포레스트, MLP와 같은 전통적인 기계학습 방법보다 일관되게 뛰어난 성능을 보였다.
• 장기 단기 기억(LSTM) 모델은 특히 수확 예측 작업에서 전통적 방법 대비 일관된 성능 향상을 보이지 않았다.
• 비전 트랜스포머(ViT)와 고유한 주의 기반 모델은 소수의 연구에서만 사용되었으며, CNN에 비해 일관된 성능 향상을 보이지 않았다. 이는 훈련 데이터가 부족했을 가능성이 있다.
• 작물 분할과 카운티 수준의 수확 예측 외에는 국가 규모의 공개 데이터 소스가 부족하여 기준 데이터셋 구축에 적합하지 않으며, 작물 분할만이 기존의 기준 데이터셋을 보유하고 있다.
• 고해상도, 다중 스펙트럼, 시간적으로 일관된 위성 데이터가 가용함에도 불구하고, 대부분의 연구는 기본 픽셀 수준 분석을 초과해 스펙트럼, 시간적, 지리공간적 특징을 활용하지 못하고 있다.
• 특히 토양 건강, 식물 생리학, 작물 손상 분야에서 직접적인 방법 비교가 부족하여 표준화된 평가 프레임워크의 필수성이 뚜렷하게 드러나 있다.