[논문 리뷰] Rapid Response Crop Maps in Data Sparse Regions

Hannah Kerner, Gabriel Tseng외 6명|arXiv (Cornell University)|2020. 06. 23.

Remote Sensing in AgricultureEnvironmental Science참고 문헌 30인용 수 17

한 줄 요약

이 논문은 데이터가 부족한 지역에서 고해상도(10 m) 농경지 지도를 빠르고 자료 효율적으로 생성하기 위한 방법을 제시한다. 다중 헤드(Long Short-Term Memory, LSTM) 네트워크를 사용하여 전 세계적 커뮤니티 기반 레이블과 제한된 현지 지상 진술 데이터를 융합한다. 이 방법은 코로나19 패an데믹 기간 동안 토고의 농경지 지도를 10일 이내로 제작하여 기존 지도를 능가했으며, 실시간 인도적 대응 의사결정을 가능하게 하였다.

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.

연구 동기 및 목표

• 데이터가 부족한 지역, 특히 소농경작이 지배적인 서아프리카에서 고해상도 및 최신 농경지 지도의 부족을 해결하기 위해.
• 현장 데이터 접근이 불가능하거나 현장 조사가 불가능한 지역에서 기계학습 모델 훈련을 위한 지상 진술 데이터가 제한된 문제를 해결하기 위해.
• 코로나19 패안데믹과 같은 인도적 위기 상황에서 빠르고 운영 가능한 농경지 지도 제작을 위한 기계학습 방법을 개발하기 위해.
• 연구 수준의 기계학습 기술이 실제 위기 대응 상황에서 운영으로 전환될 수 있음을 보여주기 위해.
• 미래의 연구 및 운영 시스템을 지원하기 위해 공개된 지도, 코드, 데이터를 제공하기 위해.

제안 방법

• 매월 갱신되는 Sentinel-2 다스펙트르 위성 영상의 시간 시리즈를 기반으로, 다중 헤드 LSTM 네트워크를 사용해 각 픽셀의 농경지 존재 여부를 분류한다.
• 모델은 두 가지 데이터 스트림을 활용한다: 전 세계적 커뮤니티 기반 레이블(지오위키에서 확보한 수만 건의 예시)과 목표 지역의 고해상도 위성 영상에 기반한 광학 해석을 통해 정제된 현지 레이블 집합.
• 전 세계 스트림은 다양한 지리적 환경에서 농경지를 식별하는 일반적인 특징을 학습하고, 현지 스트림은 목표 지역에서의 정밀도 향상을 위해 지역 특화된 특징을 학습한다.
• 모델는 전 세계 및 현지 데이터를 융합하는 하이브리드 훈련 전략을 사용하여 현지 레이블의 양을 줄이고 의존도를 낮춘다.
• AWS를 통한 클라우드 기반 계산이 스케일러블하고 분산 처리를 가능하게 하여 전체 국가 범위에서의 모델 훈련과 추론을 가속화하였다.
• 최종 모델은 10일 이내로 전국 범위의 추론을 위한 배포가 완료되었으며, 파일 전송 및 데이터 접근이 주요 시간 제약 요소였다.

실험 결과

연구 질문

• RQ1 전 세계 커뮤니티 기반 레이블과 최소한의 현지 지상 진술 데이터를 조합해 훈련한 딥러닝 모델이 데이터가 부족한 지역에서 고해상도 농경지 지도를 생성할 수 있는가?
• RQ2 이러한 모델은 위기 상황에서 실시간 인도적 의사결정 지원을 위해 얼마나 빨리 구현될 수 있는가?
• RQ3 제한된 레이블 데이터를 바탕으로 복잡한 모델보다 상대적으로 단순하고 浅층(LSTM) 아키텍처가 농경지 분류에서 더 우수한 성능을 낼 수 있는가?
• RQ4 기존의 공공 데이터셋(Geo-Wiki 및 Copernicus)이 새로운 농경지 지도 제작 방법의 벤치마킹 및 검증에 얼마나 활용될 수 있는가?
• RQ5 연구에서 운영으로의 전환을 가능하게 하는 운영 소프트웨어 엔지니어링 실천 방법은 무엇인가?

주요 결과

• 토고의 10m 해상도 농경지 지도가 10일 이내로 성공적으로 제작되어 정부에 제공되어 코로나19 패안데믹 기간 동안 신속한 정책 대응을 가능하게 하였다.
• 모델은 기존 공개된 농경지 지도(GFSAD 및 Copernicus)보다 정확도와 공간 해상도 면에서 토고 지역에서 뛰어난 성능을 보였다.
• 소량의 정제된 현지 레이블만으로도 높은 성능을 달성하여 고비용·고시간 소모 현장 조사의 필요성을 크게 줄였다.
• 얕은(LSTM) 아키텍처의 사용은 효과적이고 효율적이었으며, 깊은 모델 대비 과적합을 줄이고 훈련 시간을 단축시켰다.
• 클라우드 컴퓨팅(AWS)을 통해 확장성 있고 분산 처리가 가능해져 전국 범위에서의 빠른 추론이 가능했다.
• 연구에서 운영으로의 전환에 성공적으로 성공했으며, 모든 데이터, 코드, 지도가 향후 연구 및 운영 작업을 지원하기 위해 공개되었다.