[논문 리뷰] BreizhCrops: A Time Series Dataset for Crop Type Mapping

Marc Rußwurm, Pelletier, Charlotte외 3명|arXiv (Cornell University)|2019. 05. 28.

Isotope Analysis in Ecology인용 수 27

한 줄 요약

BreizhCrops는 프랑스 브레트뉴 지역 전역의 Sentinel-2 위성 영상(대기권 상단 및 하단 반사율)을 포함하는 대규모 공개 시계열 데이터셋으로, 9종의 작물 유형에 대해 60만 건 이상의 레이블이 부여된 농경지 시계열 데이터를 포함한다. 이 데이터셋은 작물 유형 매핑을 위한 딥러닝 및 전통적 모델의 벤치마킹을 가능하게 하며, 특히 트랜스포머 모델이 평가된 방법들 중에서 가장 높은 정확도를 기록하였다.

ABSTRACT

We present Breizhcrops, a novel benchmark dataset for the supervised classification of field crops from satellite time series. We aggregated label data and Sentinel-2 top-of-atmosphere as well as bottom-of-atmosphere time series in the region of Brittany (Breizh in local language), north-east France. We compare seven recently proposed deep neural networks along with a Random Forest baseline. The dataset, model (re-)implementations and pre-trained model weights are available at the associated GitHub repository (https://github.com/dl4sits/BreizhCrops) that has been designed with applicability for practitioners in mind. We plan to maintain the repository with additional data and welcome contributions of novel methods to build a state-of-the-art benchmark on methods for crop type mapping.

연구 동기 및 목표

• 작물 유형 매핑 분야에서 표준화되고 공개 가능한 시계열 위성 분류 벤치마크의 부족을 해결하기 위해.
• 일致된 레이블과 다중시기적 Sentinel-2 반사율 데이터를 갖춘 대규모이고 공간적으로 분할된 데이터셋을 제공하기 위해.
• 최신 딥러닝 및 전통적 기계학습 모델 간의 공정하고 재현 가능한 작물 유형 분류 비교를 가능하게 하기 위해.
• 사전 학습된 모델을 포함한 개방형 유지보수 가능한 코드 저장소를 통해 신규 방법 개발 및 평가를 지원하기 위해.
• 농업 시계열에서의 클래스 불균형, 구름 노이즈, 공간 자동상관관계와 같은 핵심 과제를 해결하기 위해.

제안 방법

• 데이터셋은 프랑스 브레트뉴 지역 전역에서 확보한 Sentinel-2 L1C(대기권 상단 반사율) 및 L2A(대기권 하단 반사율) 반사율 데이터로부터 유도된 농경지 수준의 시계열을 기반으로 구성되었다.
• 작물 레이블은 공식적이고 익명화된 농경지 수준의 작물 유형 정보를 제공하는 프랑스 농업 토지 파라셀 정보 시스템(RPG)에서 확보하였다.
• 공간 유출을 방지하고 공간적으로 강건한 모델 평가를 지원하기 위해 NUTS-3 지역(아르모르, 피니스테르, 일르-에-빌라인, 모르비앙)으로 데이터를 분할하였다.
• 7종의 분류 모델을 평가하였으며, 랜덤 포레스트와 딥러닝 아키텍처 6종(합성곱, 순환, 주의 기반, 예: 트랜스포머)이 포함되었다.
• 모델 구현, 사전 학습된 가중치, 최소한의 작동 예제를 포함한 정제된 GitHub 저장소가 데이터셋, 모델, 평가 도구를 함께 제공한다.
• 모델 평가에는 매크로-F1 및 정확도와 같은 표준 지표를 사용하였으며, 공간적으로 분리된 훈련, 검증, 테스트 분할을 적용하였다.

실험 결과

연구 질문

• RQ1 최신 딥러닝 모델들은 표준화되고 대규모의 위성 시계열 데이터셋을 기반으로 작물 유형 매핑에서 어떻게 성능을 내는가?
• RQ2 주의 기반, 합성곱, 순환 아키텍처 간의 상대적 성능은 农업 시계열 분류에서 어떻게 나타나는가?
• RQ3 클래스 불균형, 구름 노이즈, 공간 자동상관관계와 같은 일반적인 과제들은 모델의 일반화 능력과 성능에 어떤 영향을 미치는가?
• RQ4 대기 보정(L1C 대비 L2A)은 실제 작물 매핑 시나리오에서 분류 정확도에 어떤 영향을 미치는가?
• RQ5 공개된, 재현 가능한 벤치마크는 원격 감지 시계열 분류 분야의 방법 개발과 비교를 얼마나 가속화할 수 있는가?

주요 결과

• 트랜스포머 기반 모델이 평가된 모든 모델 중에서 가장 높은 매크로-F1 스코어를 기록하였으며, 순환 및 합성곱 네트워크를 약간 앞서갔다.
• 랜덤 포레스트 기반 베이스라인 모델이 경쟁력을 보였으며, 이는 이 작업에서 전통적 기계학습 기법의 가치를 시사한다.
• 클래스 불균형이 모델 성능에 심각한 영향을 미쳤으며, 밀과 옥수수와 같은 흔한 작물이 레이블 분포를 지배하였다.
• 구름에 의해 유도된 반사율 값의 이상치는 노이즈를 유발하여 특히 L1C 데이터에서 모델의 일반화 능력에 영향을 주었다.
• NUTS-3 지역 기반의 공간 분할이 데이터 누출을 효과적으로 완화하고, 지역 간 모델 일반화 능력을 향상시켰다.
• L2A(대기권 하단 반사율) 제품이 L1C보다 略적으로 더 높은 성능을 보였지만, 최종 평가에서는 그 차이가 크지 않았다.