[论文解读] BreizhCrops: A Time Series Dataset for Crop Type Mapping

Marc Rußwurm, Pelletier, Charlotte+3 more|arXiv (Cornell University)|May 28, 2019

Isotope Analysis in Ecology被引用 27

一句话总结

BreizhCrops 是一个大规模、公开可用的时序数据集，涵盖法国布列塔尼地区的哨兵-2卫星影像（地表上行和地表下行），包含超过60万条跨九种植被类型的作物田块时序标注数据。该数据集支持作物类型制图的深度学习与传统模型的基准测试，其中基于Transformer的模型在所评估方法中取得了最高准确率。

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.

研究动机与目标

• 解决作物类型制图中卫星时序分类缺乏标准化、公开可用基准的问题。
• 提供大规模、空间分区的数据集，具备一致的标注和多时相的哨兵-2反射率数据。
• 实现最先进的深度学习与传统机器学习模型在作物类型分类任务上的公平、可复现比较。
• 通过开放、可维护的代码仓库支持新方法的开发与评估，其中包含预训练模型。
• 应对农业时序数据中的关键挑战，如类别不平衡、云层噪声和空间自相关性。

提出的方法

• 该数据集基于法国布列塔尼地区哨兵-2 L1C（地表上行）和 L2A（地表下行）反射率数据生成的田块级时序数据构建。
• 作物标签来源于法国农业土地地块信息系（RPG），确保了官方、匿名的田块级作物类型标注。
• 数据按NUTS-3区域（阿摩尔滨海省、菲尼斯泰尔省、伊勒-维莱讷省、莫尔比昂省）进行分区，以防止空间泄露，并支持空间鲁棒的模型评估。
• 评估了七种分类模型：随机森林以及六种深度学习架构——卷积、循环和注意力机制（如Transformer）。
• 一个精心整理的GitHub仓库托管了数据集、模型实现、预训练权重以及可立即使用的最小可运行示例。
• 模型评估采用标准指标，如宏平均F1和准确率，并使用空间分离的训练、验证和测试划分。

实验结果

研究问题

• RQ1 最先进的深度学习模型在标准化、大规模的卫星时序数据集上进行作物类型制图时表现如何？
• RQ2 注意力机制、卷积和循环架构在农业时序分类任务中的相对性能如何？
• RQ3 类别不平衡、云层噪声和空间自相关性等常见挑战如何影响模型泛化能力和性能？
• RQ4 大气校正（L1C 与 L2A）在真实世界作物制图场景中对分类准确率的影响有多大？
• RQ5 一个公开可用、可复现的基准是否能加速遥感时序分类方法的开发与比较？

主要发现

• 基于Transformer的模型在所有评估模型中取得了最高的宏平均F1分数，略优于循环网络和卷积网络。
• 随机森林基线模型表现具有竞争力，凸显了经典机器学习方法在此任务中的价值。
• 类别不平衡显著影响了模型性能，常见作物如小麦和玉米在标签分布中占主导地位。
• 云层引起的反射率异常值引入了噪声，影响了模型泛化能力，尤其在L1C数据中更为明显。
• 按NUTS-3区域进行空间分区有效缓解了数据泄露问题，并提升了模型在不同区域间的泛化能力。
• L2A（地表下行）产品在性能上略优于L1C，但在最终评估中差异并不显著。