[论文解读] Rapid Response Crop Maps in Data Sparse Regions

Hannah Kerner, Gabriel Tseng+6 more|arXiv (Cornell University)|Jun 23, 2020

Remote Sensing in Agriculture参考文献 30被引用 17

一句话总结

本文提出了一种快速、数据高效的高分辨率（10 米）农田地图生成方法，适用于数据稀疏区域。该方法采用多头长短期记忆（LSTM）网络，结合全球众包标签与有限的本地实地真值数据，成功在新冠疫情期间不到 10 天内为多哥生成了农田地图，优于现有地图，支持了实时人道主义决策。

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.

研究动机与目标

• 为解决数据稀疏区域（尤其是小农户占主导的撒哈拉以南非洲地区）缺乏高分辨率、最新农田地图的紧迫问题。
• 克服在无现场数据可获取或实地调查不可行的地区，训练机器学习模型时地面真值数据有限的挑战。
• 开发一种机器学习方法，实现在人道主义危机（如新冠疫情）中快速、可操作的农田地图制图。
• 展示研究级机器学习模型向现实世界危机响应中实际应用的转化。
• 提供公开可获取的地图、代码与数据，以支持未来在数据稀疏区域的研究与运行系统。

提出的方法

• 使用每月一期的哨兵-2 多光谱卫星影像时间序列，训练一个多头长短期记忆（LSTM）网络，对每个像素进行农田存在的分类。
• 该模型利用两种数据流：来自 Geo-Wiki 的全球众包标签（数万个样本）以及目标区域高分辨率卫星影像人工解译所得的少量经筛选的本地标签。
• 全球数据流学习在多种地理环境中识别农田的一般特征，而本地数据流则学习目标区域特有的特征，以提升该区域的分类精度。
• 该方法采用混合训练策略，结合全球与本地数据，减少对大量本地标注的依赖。
• 通过 AWS 实现基于云的计算，支持可扩展的分布式处理，显著加速了全国范围内的模型训练与推理。
• 最终模型在不到 10 天内完成全国范围的推理部署，文件传输与数据访问成为主要的时间瓶颈。

实验结果

研究问题

• RQ1 能否通过结合全球众包标签与极少本地真值数据训练的深度学习模型，在数据稀疏区域生成高分辨率农田地图？
• RQ2 此类模型在危机期间多快可以部署，以支持快速人道主义决策？
• RQ3 在标注数据有限的情况下，相对简单、浅层的 LSTM 架构是否能优于复杂模型？
• RQ4 现有公开数据集（如 Geo-Wiki 和 Copernicus）在多大程度上可用于基准测试与验证新的农田地图制图方法？
• RQ5 哪些实际的软件工程实践能够实现从研究到实时危机响应的转化？

主要发现

• 成功在 10 天内为多哥生成并交付了 10 米分辨率的农田地图，使政府得以在新冠疫情中迅速制定政策响应。
• 该模型在准确率与空间分辨率方面均优于多哥现有的公开农田地图（GFSAD 与 Copernicus）。
• 仅使用少量经筛选的本地标签即实现优异性能，显著减少了对昂贵且耗时的实地调查的依赖。
• 采用浅层 LSTM 架构被证明高效且有效，相比深层模型，减少了过拟合与训练时间。
• 云计算（AWS）支持可扩展与分布式处理，使全国范围的快速推理成为可能。
• 本研究成功实现了从研究到人道主义应急响应的转化，所有数据、代码与地图均公开发布，以支持未来工作。