Table des matières: :: Library Catalog

Enregistré dans:

Détails bibliographiques
Auteur principal:	Rufin, Philippe
Format:	Recurso digital
Langue:
Publié:	Zenodo 2025
Accès en ligne:	https://doi.org/10.5281/zenodo.17531366
Tags:	Ajouter un tag Pas de tags, Soyez le premier à ajouter un tag!

Table des matières:

We here provide a fine-tuned model for satellite-based field delineation in Mozambique in the scope of a <a href="https://landsystems-lab.earth/project/mediumfarms/">research project</a> funded by the F.R.S.-FNRS. Please read the article (<a href="https://doi.org/10.1088/1748-9326/ae5cb4">Rufin et al. 2026</a>) and the following information carefully before using the model weights for your work. Code for fine-tuning and inference is available on GitHub: <a href="https://github.com/philipperufin/smallholder-fields">https://github.com/philipperufin/smallholder-fields.</a> Methods overview: The model checkpoint was created by fine-tuning a <a href="https://zenodo.org/doi/10.5281/zenodo.7315089">pre-trained FracTAL ResUNet model</a> (<a href="https://doi.org/10.3390/rs14225738">Wang et al. 2022</a>) using <a href="https://doi.org/10.1016/j.jag.2024.104149">pseudo-labels for geographic domain adaptation</a>. The approach is transferable across space with minimum reference data requirements. Please consider reading these papers for details on the methods.  For fine-tuning, we used 256x256 pixel image chips and corresponding sparse labels (N=3,253). The training data were randomly split into 60% for training, 20% for validation, and 20% for testing. Compared to conventional data splits we used more data for validation and testing to obtain a stable baseline for evaluating our fine-tuning procedure. We fine-tuned the model for 100 epochs with loss being calculated only for the labeled pixels and conducted early stopping based on the maximum Matthews Correlation Coefficient (MCC) of the validation split, which was reached after 32 epochs.  Definition of crop field: We define field as a unit of land which can be delineated by its physical appearance through markers of land management or land tenure and which is actively used to produce annual or (semi-)perennial crops at the time of observation. Our definition excludes fallows (i.e., areas previously under agricultural use but not actively used in the year of observation), as well as tree crops and agroforestry systems due to methodological challenges in automated tree crop mapping. However, our definition includes fields dominantly used for annual crops but with individual farmland trees. Our definition furthermore excludes designated rangelands, which are scarce in Mozambique. Satellite imagery: We used commercial 1.5 m resolution SPOT 6/7 data provided by Airbus© accessed through the DescartesLabs© platform for fine-tuning.  Known issues: Our methods rely on a pre-trained field delineation model, which was not trained for separating cropland from other land cover types. We introduced this task during fine-tuning of the pre-trained model using a highly constrained training dataset. As a result, the model checkpoint provided here is biased towards false positives. To mitigate this issue, we designed a post-processing scheme to enable users to reduce commission errors (or false positive fields) based on machine learning. More detail is provided in the preprint.  Please reach out to philippe.rufin@uclouvain.be for further questions.  ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- Apresentamos aqui um modelo aperfeiçoado para a delimitação de campos com base em imagens de satélite em Moçambique, no âmbito de um <a href="https://landsystems-lab.earth/project/mediumfarms/">projeto de investigação</a> financiado pela F.R.S.-FNRS. Por favor, leia atentamente o artigo <a href="https://doi.org/10.1088/1748-9326/ae5cb4">(Rufin et al. 2026)</a> e as informações a seguir antes de utilizar os pesos do modelo no seu trabalho. O código para o fine-tuning e a inferência está disponível no GitHub: <a href="https://github.com/philipperufin/smallholder-fields">https://github.com/philipperufin/smallholder-fields.</a> Visão geral dos métodos: O ponto de verificação do modelo foi criado através do aperfeiçoamento de um <a href="https://zenodo.org/doi/10.5281/zenodo.7315089">modelo FracTAL ResUNet pré-treinado</a> (<a href="https://doi.org/10.3390/rs14225738">Wang et al. 2022</a>), utilizando <a href="https://doi.org/10.1016/j.jag.2024.104149">pseudo-rótulos para adaptação do domínio geográfico</a>. A abordagem é transferível entre diferentes áreas, com requisitos mínimos de dados de referência. Recomendamos a leitura destes artigos para obter detalhes sobre os métodos.  Para o ajuste fino, utilizámos fragmentos de imagem de 256x256 píxeis e os correspondentes rótulos esparsos (N=3.253). Os dados de treino foram divididos aleatoriamente em 60% para treino, 20% para validação e 20% para teste. Em comparação com divisões de dados convencionais, utilizámos mais dados para validação e teste, a fim de obter uma linha de base estável para avaliar o nosso procedimento de ajuste fino. Ajustámos o modelo durante 100 épocas, calculando a perda apenas para os píxeis rotulados, e realizámos uma paragem antecipada com base no Coeficiente de Correlação de Matthews (MCC) máximo da divisão de validação, que foi atingido após 32 épocas.  Definição de campo de cultivo: Definimos «campo» como uma unidade de terreno que pode ser delimitada pela sua aparência física através de indicadores de gestão ou regime de propriedade fundiária e que é utilizada ativamente para a produção de culturas anuais ou (semi-)perenes no momento da observação. A nossa definição exclui as terras em pousio (ou seja, áreas anteriormente utilizadas para fins agrícolas, mas que não estão a ser utilizadas ativamente no ano da observação), bem como as culturas arbóreas e os sistemas agroflorestais, devido a desafios metodológicos no mapeamento automatizado de culturas arbóreas. No entanto, a nossa definição inclui campos utilizados predominantemente para culturas anuais, mas com árvores isoladas nas terras agrícolas. A nossa definição exclui ainda as pastagens designadas, que são escassas em Moçambique. Imagens de satélite: Utilizámos dados comerciais SPOT 6/7 com resolução de 1,5 m fornecidos pela Airbus©, acedidos através da plataforma DescartesLabs© para o ajuste fino.  Problemas conhecidos: Os nossos métodos baseiam-se num modelo de delimitação de campos pré-treinado, que não foi treinado para separar terras agrícolas de outros tipos de cobertura do solo. Introduzimos esta tarefa durante o ajuste fino do modelo pré-treinado, utilizando um conjunto de dados de treino altamente restrito. Como resultado, o ponto de verificação do modelo aqui fornecido apresenta um viés para falsos positivos. Para mitigar esta questão, concebemos um esquema de pós-processamento que permite aos utilizadores reduzir os erros de comissão (ou campos falsos positivos) com base na aprendizagem automática. São fornecidos mais detalhes na pré-impressão.  Por favor, contacte philippe.rufin@uclouvain.be para quaisquer questões adicionais.

Documents similaires