Бенчмарк для картирования сельскохозяйственных культур в тропиках

Источник: AI2 (Allen Institute for AI)•

Бенчмарк для картирования сельскохозяйственных культур в тропиках

PLANTEUR расширяет бенчмарк картирования сельскохозяйственных культур PASTIS на шесть тропических регионов, чтобы помочь в оценке геопространственных моделей в более разнообразных агросистемах.

22 октября 2026 г.

Ai2

Технический отчетDataCode

Базовые модели и открытые данные стимулируют быстрый прогресс в машинном обучении для дистанционного зондирования, а бенчмарки играют ключевую роль в понимании совершенствования моделей. PASTIS является одним из наиболее надежных бенчмарков в сообществе благодаря своим высококачественным разметкам и геопространственным метаданным. Он также представляет собой важную задачу. Картирование типов культур — это отправная точка для планирования продовольственной безопасности, распределения водных ресурсов и отслеживания изменений сельскохозяйственных земель. Однако его охват ограничен метропольной Францией. Мы представляем PLANTEUR, расширение PASTIS на шесть тропических регионов, в надежде, что команды, создающие геопространственные базовые модели, смогут проверить, работает ли их модель в агросистемах, где картирование может быть наиболее ценным: мелкотоварных, тропических, со сложным рельефом.

Что входит в PLANTEUR

PLANTEUR создан на основе того же надежного источника данных, что и PASTIS — системы идентификации земельных участков Франции — и охватывает Реюньон, Гваделупу, Мартинику, Гвиану, Майотту и Сен-Мартен. Чтобы PLANTEUR было легко внедрить в существующие конвейеры оценки, его формат очень близок к PASTIS: 2750 согласованных временных рядов Sentinel-2, Sentinel-1 и Landsat-8, а также 4506 км² разметки на основе участков по семи классам культур, включая сахарный тростник, банан, ананас и тропические клубнеплоды (корнеплоды, такие как маниок, ямс и таро).

Мы включаем базовые показатели для нескольких линейных зондов и методов с учителем на стандартной выборке, выборке с исключением по одному острову, в сценарии обучения на малом количестве примеров (few-shot) и даже в сценарии, включающем образцы PASTIS в обучающие данные. Эти базовые показатели ставят новые задачи в новых местах, такие как успешная работа в тропиках, генерализация на ранее неизученные регионы, обучение по скудным разметкам и перенос знаний между агросистемами.

Что это открывает и сколько еще предстоит пройти

Мы создали PLANTEUR, чтобы увеличить географическое разнообразие бенчмарков дистанционного зондирования. Опираясь на успех набора данных PASTIS, мы надеемся предоставить разработчикам моделей дистанционного зондирования способ оценивать качество их моделей при картировании типов культур в самых разных географических регионах.

Каждый оцененный нами метод, включая наши собственные, показывает значительно более низкие результаты на PLANTEUR, чем на PASTIS, и каждая модель теряет примерно половину своей точности при тестировании на острове, который она не видела при обучении. Подобно тому как PASTIS побудило сообщество разработать надежные методы картирования культур в метропольной Франции, мы надеемся, что PLANTEUR побудит сообщество разработать методы, которые также хорошо работают в тропических условиях.

PLANTEUR доступен на Hugging Face и .

О чём эта статья

Ещё в разделе «AI и машинное обучение»

Все →

Ещё от AI2 (Allen Institute for AI)