[论文解读] Embedding -based Crop Type Classification in the Groundnut Basin of Senegal

Madeline Lisaius, Srinivasan Keshav+2 more|arXiv (Cornell University)|Jan 23, 2026

Remote Sensing in Agriculture被引用 1

一句话总结

本文在塞内加尔花生盆地使用 TESSERA 和 AlphaEarth 的嵌入进行土地覆被与作物类型分类评估，结果显示 TESSERA 在性能与转移性方面表现强，且所需计算资源低于基线方法。

ABSTRACT

Crop type maps from satellite remote sensing are important tools for food security, local livelihood support and climate change mitigation in smallholder regions of the world, but most satellite-based methods are not well suited to smallholder conditions. To address this gap, we establish a four-part criteria for a useful embedding-based approach consisting of 1) performance, 2) plausibility, 3) transferability and 4) accessibility and evaluate geospatial foundation model (FM) embeddings -based approaches using TESSERA and AlphaEarth against current baseline methods for a region in the groundnut basin of Senegal. We find that the TESSERA -based approach to land cover and crop type mapping fulfills the selection criteria best, and in one temporal transfer example shows 28% higher accuracy compared to the next best method. These results indicate that TESSERA embeddings are an effective approach for crop type classification and mapping tasks in Senegal.

研究动机与目标

• 为小农区嵌入式作物映射定义四个标准（性能、可信度、可转移性、可访问性）。
• 将地理空间基础模型嵌入（TESSERA 与 AlphaEarth）与基线方法在塞内加尔的土地覆被与作物类型映射进行对比。
• 评估模型跨年度的转移能力及在真实世界映射中的实用性（计算与特征工程）。
• 提供全覆盖的作物与土地覆被图并分析研究区域的耕地时序变化。

提出的方法

• 从 JECAM 为 Fatick 与 Niakhar 在 2018、2019、2021 年准备带标签的多边形数据；在年度间统一标签。
• 生成输入，包括带云掩膜的 Sentinel-1/2 时序数据及植被指数、光谱-时序指标（STMs）和嵌入（TESSERA 128-d、AlphaEarth 64-d）。
• 对每种输入类型训练多种分类器（RF、XGBoost、SVM、LR、MLP），并从每种输入类型的前两头构建集成。
• 使用保留测试集的准确率、宏 F1、加权 F1 进行评估；通过全覆盖图评估可信度；通过跨年度训练/测试评估转移性；分析 CPU 效率与特征工程需求。

Figure 1: Visualized are a) the location of the region of interest within Senegal and b) Sentinel-2 satellite imagery of the region of interest. This region is dominated by dry shrub land that has been converted into agricultural land and features a river delta in the south.

实验结果

研究问题

• RQ1 嵌入式方法（TESSERA 与 AlphaEarth）在全覆盖的西非小农区作物类型分类方面是否优于传统基线？
• RQ2 嵌入在塞内加尔地物覆被与作物类型映射的跨年度迁移学习中表现如何？
• RQ3 在此情境下，嵌入式方法在计算与特征工程方面是否比传统方法更具可行性、可转移性与可访问性？
• RQ4 最佳方法揭示的 Fatick/Niakhar 在 2018、2019、2021 年的耕地及套作的时空模式为何？

主要发现

• TESSERA-ensemble 与 AlphaEarth-ensemble 在各年度的土地覆被准确度较高，且 TESSERA 的运行间变异性低于 AlphaEarth。
• 基于嵌入的跨年度土地覆被迁移学习是可行的；TESSERA、AlphaEarth 与 STM 方法在某些迁移情景中表现重叠。
• 在作物类型分类方面，嵌入式方法（尤其是 TESSERA）在三年中总体表现高于 AlphaEarth；年度之间的降解与标签质量差异显著相关。
• 嵌入降低了计算与特征工程需求；相较于原始输入与 STM，TESSERA 与 AlphaEarth 更高效，提升可访问性。

Figure 2: Pictured are three example label polygons, not at the same scale, showing a) bare soil, b) shrub land, and c) build-up surface. There is meaningful overlap in characteristics of ground cover amongst the three, particularly with build-up surface.