Método de clasificación de cultivos para imágenes de teledetección multitemporales basado en SAFPN (3+2)D

Área de la Ciencia:

• Teledetección agrícola
• Visión por computadora para la agricultura
• Análisis de datos geoespaciales

Sus antecedentes:

• La clasificación precisa de cultivos es vital para la monitorización agrícola y la seguridad alimentaria mundial.
• La utilización eficaz de la información espaciotemporal de los datos de teledetección multitemporales es un desafío importante en el mapeo de cultivos.
• Los métodos existentes a menudo tienen dificultades para integrar diversas fuentes de datos para un análisis integral de cultivos.

Objetivo del estudio:

• Proponer un modelo de red neuronal mejorado, el (3+2)D Split-Attention Feature Pyramid Network ((3+2)D SAFPN), para una clasificación de cultivos mejorada.
• Integrar eficazmente la dinámica espaciotemporal, las características espaciales multiescala y la información intercanal para un mapeo de cultivos robusto.
• Abordar el desafío del rendimiento de aprendizaje en clases de cultivos minoritarias a través de una función de pérdida focal.

Principales métodos:

• Desarrollo de una red de pirámide de características híbrida (3+2)D (FPN) que integra FPN 3D para dinámica espaciotemporal y FPN 2D para características espaciales.
• Incorporación de un mecanismo de atención dividida (SA) para mejorar la interacción de la información intercanal.
• Utilización de una función de pérdida focal para mejorar el aprendizaje de las clases de cultivos minoritarias.
• Construcción de un conjunto de datos de series temporales de NDVI a nivel de parcela a partir de imágenes Sentinel-2 multitemporales (2024) para Mongolia Interior, China.

Principales resultados:

• El modelo propuesto (3+2)D SAFPN logró altas precisiones del 89,01 % (conjunto de prueba) y 89,06 % (conjunto de validación), con coeficientes Kappa de 0,82.
• El modelo superó a la línea base original (3+2)D FPN, demostrando un rendimiento mejorado en la clasificación de cultivos.
• Los experimentos en el conjunto de datos público de Múnich mostraron una fuerte capacidad de generalización, con mejoras de precisión del 2,88 % (prueba) y 2,44 % (validación).

Conclusiones:

• El modelo (3+2)D SAFPN integra eficazmente información espacial, espectral y temporal para una clasificación de cultivos robusta y de alta precisión.
• Este enfoque ofrece una solución prometedora para la monitorización agrícola a gran escala y contribuye a garantizar la seguridad alimentaria.
• El modelo desarrollado demuestra un potencial significativo para aplicaciones prácticas en agricultura de precisión y mapeo de cobertura terrestre.