[논문 리뷰] LandCoverNet: A global benchmark land cover classification training dataset

Hamed Alemohammad, Kevin T. Booth|arXiv (Cornell University)|2020. 12. 05.

Remote-Sensing Image Classification인용 수 35

한 줄 요약

LandCoverNet은 세 명의 주석자 간 합의와 보조 시계열 모델을 통해 픽셀 수준 레이블이 생성된, 10m Sentinel-2 기반의 개방형 글로벌 대표 토지 피복 학습 데이터 세트를 제공합니다.

ABSTRACT

Regularly updated and accurate land cover maps are essential for monitoring 14 of the 17 Sustainable Development Goals. Multispectral satellite imagery provide high-quality and valuable information at global scale that can be used to develop land cover classification models. However, such a global application requires a geographically diverse training dataset. Here, we present LandCoverNet, a global training dataset for land cover classification based on Sentinel-2 observations at 10m spatial resolution. Land cover class labels are defined based on annual time-series of Sentinel-2, and verified by consensus among three human annotators.

연구 동기 및 목표

• Sentinel-2 기반 분류를 위한 전문가 합의를 통한 전 세계적으로 대표적인 토지 피복 분류체계를 정의한다.
• 전 세계 LC 매핑를 지원하기 위해 시계열 레이블이 있는 대규모의 개방형 학습 데이터 세트를 생성한다.
• 10 m 해상도에서 인간 오류를 줄이기 위한 합의 라벨링 워크플로를 구현한다.
• 재현 가능한 벤치마킹을 가능하게 하는 샘플링 스킴과 데이터 명세를 제공한다.

제안 방법

• 전문가 워크숍을 통해 계층적 토지 피복 분류체계를 정의한다.
• 대륙별로 Sentinel-2 타일(총 300개)을 샘플링하고 샘플링 특징으로 MODIS 기반 클래스 분포를 사용한다.
• 256x256 칩을 추출한다(선택된 타일당 30칩; 전 세계 약 9000칩; 픽셀 약 589백만개).
• 주석자 지원을 위한 Random Forest 추정 레이블을 포함한 시계열 기반 레이블 생성 접근 방식을 사용한다.
• 칩당 세 명의 주석자로부터 픽셀별 레이블을 수집하고 최종 레이블을 결정하기 위해 베이지안 합의 점수를 계산한다.

실험 결과

연구 질문

• RQ1 How to construct a globally representative, open-access land cover training dataset for 10 m Sentinel-2 imagery?
• RQ2 What sampling strategy ensures continental diversity and class balance for CHIPS in a global LC benchmark?
• RQ3 How can consensus labeling and annotator reliability be used to produce high-quality pixel-level LC labels at 10 m resolution?

주요 결과

• LandCoverNet v1.0 covers Africa with 1980 chips (256x256) and excludes permanent snow/ice typical for Africa.
• Consensus scores are generally high; 60% of pixels have a consensus score of 100%.
• The per-pixel consensus score can be used to adjust model training confidence for high- vs. lower-score pixels.
• A time-series based labeling approach using 24 Sentinel-2 scenes per tile and a simple Random Forest guess label facilitated annotator labeling.
• Labels are released under CC BY 4.0 via Radiant MLHub; dataset emphasizes global diversity and open access.