Paddy Land Segmentation and Estimation Using U-Net and SAM with Satellite Imagery: A Sri Lankan Study
Notice bibliographique
Résumé
Monitoring crop cultivation is crucial for ensuring food security, effective land-use planning, and sustainable agriculture. Accurate mapping and measurement of cultivated and non-cultivated paddy lands are critical for developing effective agricultural plans and climate-resilient farming in Sri Lanka. This study aims to develop automated, deep learning-based segmentation models using high-resolution satellite images from Google Earth Pro to segment and estimate the area of paddy fields. A comprehensive methodology was employed, involving the collection of satellite images, preprocessing, manual annotation of segmentation masks, model training, and performance evaluation. We employed four segmentation strategies: (1) distinguishing cultivated fields from the background, (2) separating non-cultivated fields from the background, (3) combining cultivated and non-cultivated fields against the background, and (4) a multi-class model segmenting background, cultivated, and non-cultivated areas simultaneously. Fine-tuned U-Net and the Segment Anything Model (SAM) were applied separately to these four strategies. SAM achieved a Dice coefficient above 90% in the first three cases, while U-Net outperformed SAM in the fourth strategy with a Dice coefficient of 91%. The pixel-based analysis was done in the Manthai East division, Northern Province, Sri Lanka, to determine the actual area estimation and verify the real-world relevance of this model. The proposed segmentation models demonstrate that deep learning has the potential to segment crops accurately and offers a cost-effective approach for monitoring agricultural land use practices. This research also paves the way for estimating paddy lands for agrarian field officers using freely available high-resolution satellite images for their purposes.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».