头盔标记作物:肯尼亚作物类型数据集通过头盔安装的摄像头和深度学习创建
Catherine Nakalembe1, Ivan Zvonkov2, Hannah Kerner3
1Department of Geographical Sciences, University of Maryland, College Park, MD, 20742, USA. cnakalem@umd.edu.
Scientific data
|August 27, 2025
概括
这项研究介绍了使用公民科学和深度学习收集的4,925个经过验证的作物类型数据点的新数据集. 这种资源有助于农业监测和粮食安全评估.
科学领域:
- 农业科学
- 遥感技术
- 数据科学
背景情况:
- 有效的农业监测对于粮食安全至关重要,
- 由于现场数据收集成本较高,小农地区往往缺乏详细,最新的作物类型地图.
- 现有的数据缺口阻碍了准确的农业评估和明智的决策.
研究的目的:
- 提供肯尼亚作物类型数据的首次验证数据集.
- 应对数据稀缺的农业地区有限的作物类型信息的挑战.
- 支持基于证据的农业决策和改善粮食安全评估.
主要方法:
- 在2021年和2022年长雨季期间,在肯尼亚收集了4,925个地理参考作物类型数据点.
- 使用公民科学网络和机构合作伙伴通过GoPro摄像头收集图像数据.
- 开发并实施深度学习管道,将图像处理成可靠的作物类型数据集,并进行严格的质量控制.
主要成果:
- 为肯尼亚农业创建了4925个验证的作物类型数据点的新数据集.
- 展示了利用公民科学和深度学习进行大规模作物类型测绘的可行性.
- 通过强有力的质量控制措施确保数据完整性.
结论:
- 新数据集是肯尼亚农业监测的有价值的开放科学资源.
- 这种方法可以帮助弥补数据缺口,提高粮食生产评估的准确性.
- 这些发现支持加强农业决策以缓解粮食不安全.
