[論文レビュー] Prediction of Soil Moisture Content Based On Satellite Data and Sequence-to-Sequence Networks

Natalia Efremova, Dmitry Zausaev+1 more|arXiv (Cornell University)|Jun 5, 2019

Smart Agriculture and AI参考文献 9被引用数 13

ひとこと要約

本論文では、地上センサーに依存せずに土壌水分量を高精度に予測するため、Sentinel-1およびSentinel-2衛星データを用いたシーケンス・ツー・シーケンスのディープラーニングモデルを提案している。この手法は、畳み込みLSTMと複数の地球観測データおよび地上データを統合し、従来の土壌水分センサーと比較してコストを4倍に削減しながら、リアルタイムかつスケーラブルな精密農業の推奨を可能にする。

ABSTRACT

The main objective of this study is to combine remote sensing and machine learning to detect soil moisture content. Growing population and food consumption has led to the need to improve agricultural yield and to reduce wastage of natural resources. In this paper, we propose a neural network architecture, based on recent work by the research community, that can make a strong social impact and aid United Nations Sustainable Development Goal of Zero Hunger. The main aims here are to: improve efficiency of water usage; reduce dependence on irrigation; increase overall crop yield; minimise risk of crop loss due to drought and extreme weather conditions. We achieve this by applying satellite imagery, crop segmentation, soil classification and NDVI and soil moisture prediction on satellite data, ground truth and climate data records. By applying machine learning to sensor data and ground data, farm management systems can evolve into a real time AI enabled platform that can provide actionable recommendations and decision support tools to the farmers.

研究の動機と目的

• リアルタイムの土壌水分予測を可能にするAI駆動型システムの開発を目的とし、衛星データおよび地上データを活用して持続可能な農業を支援すること。
• 無料で利用可能な衛星地球観測データを活用することで、高価な地上での土壌水分センサーへの依存を低減すること。
• 農家のための自動化されたデータ駆動型意思決定支援を通じて、水の使用効率の向上と作物収量の増加を実現すること。
• 農業生産性の向上と資源の保護を通じて、国連の持続可能な開発目標「ハンガーレス」に貢献すること。
• 監視インfraが限られた地域に適用可能な、スケーラブルで低コストな精密農業プラットフォームの構築

提案手法

• モデルは、時系列の衛星画像を処理するため、畳み込みLSTMに基づくエンコーダ・デコーダネットワークを用いたシーケンス・ツー・シーケンスアーキテクチャを採用している。
• 入力特徴量には、Sentinel-1の双偏波SARデータ（VV+VH）とSentinel-2の光学バンド（R、G、B、NIR）、加えて地上での土壌水分と気象データが含まれる。
• エンコーダは、歴史的な衛星データおよび地上データをコンテキストベクトルに変換し、デコーダはそのコンテキストベクトルを用いて将来の土壌水分予測を画像系列として生成する。
• 訓練および検証には、オーストラリアのワイン生産地域における14か所の土壌水分センサー施設から得た7年間の日次データセットが使用された。
• Sentinel-2のNDVIは、植生ストレスや作物の健康状態を示すために予測精度を向上させるために用いられた。
• 2つのモデルバージョンを比較した：1つは地球観測データのみを用いる（オートエンコーダ）、もう1つは地上測定値を組み込む（LSTM）ことで、データ要件と精度のトレードオフを評価した。

実験結果

リサーチクエスチョン

• RQ1 地上センサーを一切必要としない衛星データのみを用いたシーケンス・ツー・シーケンスのディープラーニングモデルが、土壌水分量を正確に予測できるか。
• RQ2 地上での土壌水分の真値測定値を組み込むことで、予測精度とデータ効率はどのように変化するか。
• RQ3 NDVIおよびマルチスペクトルデータは、土壌水分予測モデルの性能をどの程度向上できるか。
• RQ4 オートエンコーダベースとLSTMベースのアーキテクチャの間で、土壌水分予測における性能とデータ効率はどのように比較できるか。
• RQ5 このようなモデルは、精密農業において地上での土壌水分センサーのコスト効率の良い代替手段として機能できるか。

主な発見

• LSTMベースのモデルは、限られたデータで訓練された場合、オートエンコーダーよりも高い精度を達成するが、地上での土壌水分真値測定値を必要とする。
• オートエンコーダーモデルは、大規模な歴史的データセットを用いる場合に優れた性能を示すが、地球観測データに限定して動作するため、地上センサーの必要がなくなる。
• 本システムは、ブドウ園に土壌水分センサーを設置・維持する場合と比較して、実装コストを約4倍削減した。
• Sentinel-2画像から抽出されたNDVIは、作物ストレスや植生ダイナミクスを捉えることで、予測精度を顕著に向上させた。
• モデルは、視覚的に解釈可能な画像系列として、土壌水分の逐次的予測を成功裏に生成した。これは、農家にとって直感的な解釈を可能にした。
• 衛星データと機械学習の統合により、スケーラブルでリアルタイムの意思決定支援ツールが、持続可能な土地および水資源管理に貢献できるようになった。