[논문 리뷰] Embedding -based Crop Type Classification in the Groundnut Basin of Senegal

Madeline Lisaius, Srinivasan Keshav외 2명|arXiv (Cornell University)|2026. 01. 23.

Remote Sensing in Agriculture인용 수 1

한 줄 요약

이 논문은 세네갈의 땅콩 분지에서 TESSERA와 AlphaEarth를 이용한 임베딩 기반 토지피복 및 작물 분류를 평가하고, TESSERA가 낮은 계산량으로 강력한 성능과 이전 가능성을 달성한다는 점을 보여준다.

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.

연구 동기 및 목표

• 소규모 재배자 지역에서 임베딩 기반 작물 매핑을 위한 네 가지 기준(성능, 타당성, 전이 가능성, 접근성)을 정의한다.
• 세네갈에서 토지 피복 및 작물 유형 매핑을 위한 지리공간 기반 모델 임베딩(TESSERA와 AlphaEarth)을 기준 방법과 비교한다.
• 실제 맵핑을 위한 연도 간 전이 가능성과 실용성(계산량 및 특징 공학)을 평가한다.
• 연구 지역의 작물 및 토지 피복의 전면 맵을 제공하고, 재배지의 시간적 변화를 분석한다.

제안 방법

• Fatick와 Niakhar를 대상으로 2018, 2019, 2021년의 JECAM에서 라벨이 지정된 다각형 데이터를 준비하고 연도 간 라벨을 일치시킨다.
• 식생지수, 스펙트럴-시간 지표(STMs), 임베딩(TESSERA 128-d, AlphaEarth 64-d)을 포함한 구름 마스킹된 Sentinel-1/2 시계열 입력을 생성한다.
• 입력 유형별로 다수의 분류기(RF, XGBoost, SVM, LR, MLP)를 학습시키고 입력 유형별 상위 두 헤드로 앙상블을 구성한다.
• 은폐된 테스트 세트에서 정확도, 매크로 F1, 가중 F1으로 평가하고 전면 맵을 통한 타당성을 평가하며 연도 간 학습/테스트로 전이 가능성을 테스트하고 CPU 효율성과 특징 공학 필요성을 분석한다.

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.

실험 결과

연구 질문

• RQ1 임베딩 기반 접근법(TESSERA 및 AlphaEarth)이 서아프리카의 소규모 재배자 지역에서 벽-투-벽 작물 유형 분류에 대해 전통적 기준선보다 우수한가요?
• RQ2 세네갈의 토지 피복 및 작물 유형 매핑에서 연도 간 전이 학습에서 임베딩은 어떻게 수행하나요?
• RQ3 이 맥락에서 임베딩 기반 방법이 타당성, 전이 가능성, 접근성(계산량 및 특징 공학 면) 측면에서 전통적 방법보다 더 우수한가요?
• RQ4 가장 우수한 방법들이 밝힌 2018, 2019, 2021년 Fatick/Niakhar의 경작지 및 동작 재배의 시공간 패턴은 무엇인가요?

주요 결과

• TESSERA-ensemble and AlphaEarth-ensemble achieve high land cover accuracy across years, with TESSERA showing lower run-to-run variability than AlphaEarth.
• Cross-year transfer learning for land cover is feasible with embedding-based methods; TESSERA, AlphaEarth, and STM approaches show overlapping performance in some transfer scenarios.
• For crop type classification, embedding-based methods (especially TESSERA) yield higher mean performance than AlphaEarth across the three years, with notable year-to-year degradation linked to label quality differences.
• Embeddings reduce compute and feature engineering needs; TESSERA and AlphaEarth are more efficient than raw and STM inputs, aiding accessibility.

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.