Exploiting JECAM Database for Agriculture Land Cover Classification of Antsirabe Site Using Sentinel 2 Imagery with Deep Learning
Notice bibliographique
Résumé
Zero hunger, the goal 2 of Sustainable Development Goals (SDGs), can only be achieved when food is available, affordable and accessible to the people.Food insecurity, a phenomenon where either or all of these ingredients for zero hunger are absent, remains a critical global issue that warrants coordinated strategies at regional scale; most especially for crop farming which serves as the major source of food for most humans.Therefore, efficient Land Use and Land Cover (LULC) classification is a pivotal tool in the development of apposite strategies for combating food insecurity.Open satellite missions like Sentinel 2 offer a cost effective way for acquiring regional imagery dataset for LULC classification; however, the relevance of such dataset is dependent on the quality of ground truth data from which the imagery dataset is created.Qualitative ground truth data are usually obtained through ground surveys which come at extra costs, warranting the need for elaborate community ground truth geo-database constructed from joint ground surveys.Such database is absent in the tropical belt that is mostly made up of developing countries where higher impacts of food insecurity are experienced.This remained the case, until recently when JECAM (Joint Experiment for Crop Assessment and Monitoring) database was developed for six countries in the tropical belt.JECAM database is an elaborate geodatabase that consists of 27,074 agricultural LULC polygons (20,257 crops and 6,817 non crops).In this study, we built three deep learning models for agricultural LULC classification using the entire 13 bands of the satellite imagery dataset.Class-based performance evaluation metrics were used to evaluate the performances of the deep learning models on test set.LSTM (Long Short-Term Memory) model exhibited the highest capability for LULC class discrimination, followed by 2D-CNN (2 Dimension Convolution Neural Network) Autoencoder model, then the 2D-CNN model.In the future, we intend to exploit spectral indices and transfer learning paradigm to address class imbalance problem, which is inherent in the imagery dataset, for improved LULC class discrimination.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».