Semantische Segmentierung der Nutzpflanzenart in Afrika: Ein neuartiges Datensatz- und Analyseverfahren für Deep-Learning-Methoden

Automatische, genaue Nutzungslandkarten können ein bisher ungekanntes Maß an Informationen für das Verständnis von Lebensmittelsystemen liefern, insbesondere in Entwicklungsländern, in denen Bodenbefragungen selten durchgeführt werden. Dennoch wurde bisher wenig Forschung betrieben, um bestehende Methoden auf solche datenarmen Umgebungen anzuwenden, die zudem besondere Herausforderungen wie unregelmäßig geformte Felder, häufige Bewölkung, kleine Parzellen und ein schwerer Mangel an Trainingsdaten aufweisen. Um diese Lücke in der Literatur zu schließen, präsentieren wir erstmals einen Datensatz zur semantischen Segmentierung von Nutzungsarten auf Kleinbauernhöfen, speziell in Ghana und Südsudan. Zudem sind wir die Ersten, die hochaufgelöste, hochfrequente Satellitendaten zur Segmentierung von Kleinbauernhöfen nutzen. Trotz der Herausforderungen erreichen wir in Ghana durchschnittliche F1-Scores von 57,3 % und eine Gesamtgenauigkeit von 60,9 %, in Südsudan 69,7 % und 85,3 %. Zudem übertrifft unser Ansatz die State-of-the-Art-Methode in einem datenreichen Umfeld wie Deutschland um über acht Punkte im F1-Score und um sechs Punkte in der Genauigkeit. Der Quellcode sowie ein Link zum Datensatz sind öffentlich unter https://github.com/roserustowicz/crop-type-mapping verfügbar.