Multi-year time series crop mapping

Abstract

Son yıllarda geliştirilen öğreticili makine öğrenme yöntemleri klasik yöntemlere göre benzeri görülmemiş iyileştirme sağlamışlardır. Ancak, ürün sınıflandırma çalışmlarının çoğu aynı yıla ait verinin yine aynı yıla ait eğitim verisi kullanmaktadır. Bu yöntemlerin farklı yıllara ait eğitim verisi kullandığı durumlarda sınıflandırma sonuçları önemli ölçüde düşmektedir. Yıllar arası ürün eşlemesi, daha önce toplanmış verileri kullanarak sonraki yıllardaki ürün deseni haritalarını tahmin edilmesine izin verdiği için daha kullanışlıdır. Bu çalışmada, fenoloji vektörleri arasındaki açısal mesafeye göre bükme gerçekleştiren vektör dinamik zaman bükme algoritması geliştirilmiştir. Testler, önerilen VDTW yönteminin farklı tarım uygulamalarını, iklim ve atmosferik etkileri ve yıllar arasındaki ölçüm hatalarını telafi eden zamansal ve spektral değişimlere karşı gürbüz olduğunu göstermektedir. Ayrıca, sınırlı veri ile yüksek sınıflandırma doğruluklarına izin veren optimal zaman penceresini belirlemek için bir yöntem de geliştirilmiştir. Testlerde, 2013-2015 yılları arasında Harran Ovası'nda pamuk ve mısır, Bismil Ovası'nda mısır, pamuk ve soya fasülyesi ürünlerini içeren zaman serisi Landsat 8 uydu görüntüleri kullanılmıştır. Bunun yanında, 2017 ve 2018 yıllarında ABD, Kansas'taki VDTW mısır ve soya fasulyesini Harmonize Landsat Sentinel (HLS) verileriyle testler gerçekleştirildi. VDTW yöntemi, spektral açı eşleştiricisi (SAM), dinamik zaman bükme (DTW), zaman ağırlıklı DTW (TWDTW), rastgele orman (RF), destek vektör makineleri (SVM) ve derin uzun kısa süreli bellek (LSTM) dahil olmak üzere diğer en başarılı yaklaşımlara kıyasla daha az veri kullanarak yıllar arası doğrulukları %3 iyileştirdi.

Recent automated crop mapping via supervised learning-based methods have demonstrated unprecedented improvement over classical techniques. However, most crop mapping studies are limited to same-year crop mapping in which the present year's labeled data is used to predict the same year's crop map. Classification accuracies of these methods degrade considerably in cross-year mapping. Cross-year crop mapping is more useful as it allows the prediction of the following years' crop maps using previously labeled data. We propose Vector Dynamic Time Warping (VDTW), a novel multi-year classification approach based on the warping of angular distances between phenological vectors. The results prove that the proposed VDTW method is robust to temporal and spectral variations compensating for different farming practices, climate and atmospheric effects, and measurement errors between years. We also describe a method for determining the most discriminative time window that allows high classification accuracies with limited data. We carried out tests of our approach with Landsat 8 time-series imagery from years 2013 to 2015 for classification of corn and cotton in the Harran Plain, and corn, cotton, and soybean in the Bismil Plain of Southeastern Turkey. In addition, VDTW was tested with corn and soybean in Kansas, the US for 2017 and 2018 with the Harmonized Landsat Sentinel data. The VDTW method improved the cross-year overall accuracies by 3% with fewer training samples compared to other state-of-the-art approaches including spectral angle mapper (SAM), dynamic time warping (DTW), time-weighted DTW (TWDTW), random forest (RF), support vector machines (SVM) and deep long short-term memory (LSTM).