Adaptive Month Matching: A Phenological Alignment Method for Transfer Learning in Cropland Segmentation
Notice bibliographique
Résumé
The increasing demand for food and rapid population growth have made advanced crop monitoring essential for sustainable agriculture. Deep learning models leveraging multispectral satellite imagery, like Sentinel-2, provide valuable solutions. However, transferring these models to diverse regions is challenging due to phenological differences in crop growth stages between training and target areas. This study proposes the Adaptive Month Matching (AMM) method to align the phenological stages of crops between training and target areas for enhanced transfer learning in cropland segmentation. In the AMM method, an optimal Sentinel-2 monthly time series is identified in the training area based on deep learning model performance for major crops common to both areas. A month-matching process then selects the optimal Sentinel-2 time series for the target area by aligning the phenological stages between the training and target areas. In this study, the training area covered part of the Mississippi River Delta, while the target areas included diverse regions across the US and Canada. The evaluation focused on major crops, including corn, soybeans, rice, and double-cropped winter wheat/soybeans. The trained deep learning model was transferred to the target areas, and accuracy metrics were compared across different time series chosen by various phenological alignment methods. The AMM method consistently demonstrated strong performance, particularly in transferring to rice-growing regions, achieving an overall accuracy of 98%. It often matched or exceeded other phenological matching techniques in corn segmentation, with an average overall accuracy across all target areas exceeding 79% for cropland segmentation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».