DOI: https://doi.org/10.1016/j.ophoto.2026.100117
تاريخ النشر: 2026-01-01
المؤلف: Joana Reuss وآخرون
الموضوع الرئيسي: الاستشعار عن بعد في الزراعة
نظرة عامة
تقدم ورقة البحث معيارًا شاملاً لتقييم طرق تصنيف أنواع المحاصيل باستخدام مجموعة بيانات EuroCropsML، التي تدمج بيانات المحاصيل المبلغ عنها من قبل المزارعين مع ملاحظات الأقمار الصناعية Sentinel-2 من إستونيا ولاتفيا والبرتغال. تسلط الدراسة الضوء على أداء خوارزميات التعلم الآلي المختلفة، مع التركيز بشكل خاص على أساليب التعلم الميتا، مثل تلك المعتمدة على التعلم الميتا غير المعتمد على النموذج (MAML)، والتي تظهر دقة أعلى مقارنةً بأساليب التعلم الانتقالي الخاضع للإشراف والتعلم الذاتي الخاضع للإشراف (SSL). ومع ذلك، تأتي هذه التحسينات مع زيادة في المتطلبات الحاسوبية وأوقات التدريب الأطول. تشير النتائج إلى أن الأساليب الخاضعة للإشراف هي الأكثر فعالية عندما يتم تدريبها مسبقًا وضبطها على مناطق جغرافية مشابهة، بينما يظهر SSL وعدًا في السيناريوهات التي تحتوي على بيانات محدودة معلمة، خاصةً للفئات الأقل تمثيلاً.
تؤكد الدراسة على تعقيدات تطبيق تقنيات التعلم الميتا على المشكلات الجغرافية، كاشفةً أن نقل المعرفة عبر مناطق جغرافية متنوعة يمثل تحديات كبيرة. وتؤكد الحاجة إلى النظر بعناية في الفروقات الإقليمية عند نقل المعرفة وتقترح أن يستكشف الباحثون أولاً أساليب التعلم الانتقالي التقليدية لتأسيس خطوط أساسية قبل التحقيق في تقنيات التعلم الميتا. بالإضافة إلى ذلك، بينما يمكن لـ SSL الاستفادة من البيانات غير المعلمة بشكل فعال، تتفوق الأساليب الخاضعة للإشراف حاليًا على SSL في تمييز فئات المحاصيل المتشابهة بصريًا وطيفيًا. تختتم الورقة بالقول إنه على الرغم من قيود التدريب المسبق، لا يزال SSL استراتيجية قيمة في غياب البيانات المعلمة، خاصةً مع زيادة عدد عينات التدريب. يعكس تصميم التقييم الظروف الواقعية، كاشفًا عن التحديات في الحفاظ على الأداء في الفئات الأقل تمثيلاً بسبب التوزيعات غير المتوازنة في مجموعات التحقق والاختبار.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم لبيانات الاستشعار عن بعد الزمانية والمكانية التي تولدها الأقمار الصناعية في مراقبة الأرض (EO)، والتي تدعم تطبيقات متنوعة تتراوح من توقعات الأعاصير إلى تقييمات الزراعة. تؤكد الورقة على التحديات المتعلقة باستخراج معلومات قيمة بكفاءة من كميات البيانات الكبيرة المجمعة، خاصةً في الزراعة، حيث تساعد الصور الفضائية في تحليل التخصيب، واكتشاف الحصاد، وتوقع العائد. لقد أظهر دمج الذكاء الاصطناعي (AI)، وخاصةً التعلم الآلي (ML) والتعلم العميق (DL)، وعدًا في معالجة هذه التحديات، على الرغم من أن توفر بيانات المحاصيل الشاملة لا يزال غير متساوٍ عبر المناطق الجغرافية، وغالبًا ما يعكس تحيزًا يوروسنترًا وأمريكانسنترًا.
لمواجهة القيود التي تفرضها ندرة البيانات، يستكشف المؤلفون التعلم الانتقالي والتعلم الميتا كحلول محتملة. يسمح التعلم الانتقالي باستفادة الرؤى من المهام الغنية بالبيانات لتعزيز الأداء في المهام ذات البيانات القليلة ذات الصلة، بينما يركز التعلم الميتا على تحسين التعميم عبر مهام متعددة. تقدم الورقة أيضًا التعلم الذاتي الخاضع للإشراف (SSL) كنهج قيم للاستفادة من الصور الفضائية غير المعلمة، مما يمكّن النماذج من تعلم تمثيلات البيانات دون الحاجة إلى تعليقات مكلفة. تهدف الدراسة إلى تحليل ومقارنة تقنيات التعلم الخاضع للإشراف والتعلم الذاتي الخاضع للإشراف المتنوعة لتصنيف أنواع المحاصيل متعددة الفئات باستخدام مجموعة بيانات EuroCropsML، التي تجمع بين بيانات الانعكاس Sentinel-2 مع بيانات مرجعية موجودة. من خلال تقييم هذه الأساليب، تسعى الأبحاث إلى تقييم تأثير أطر التعلم المختلفة على أداء التصنيف في سيناريوهات العالم الحقيقي التي تتميز ببيانات معلمة محدودة وظروف جغرافية متنوعة.
طرق
في هذا القسم، يوضح المؤلفون المنهجية المستخدمة في دراستهم المرجعية باستخدام مجموعة بيانات EuroCropsML، مع التركيز على نماذج التعلم الآلي (ML) المختلفة وخوارزميات التعلم. يتضمن الإعداد التجريبي نهج تدريب شامل، حيث يتم تدريب الأساليب الخاضعة للإشراف مسبقًا على مجموعة بيانات EuroCropsML للتدريب المسبق ثم يتم ضبطها لاحقًا على بيانات EuroCropsML من إستونيا. بالمقابل، يتم تدريب خوارزميات التعلم الذاتي الخاضع للإشراف (SSL) مسبقًا على مجموعة بيانات Pixel-Sen12MS-CR-TS قبل ضبطها على نفس بيانات إستونيا. بالإضافة إلى ذلك، يتم إجراء مقارنة أساسية مع نموذج Transformer مشفر تم تهيئته عشوائيًا تم تدريبه من الصفر دون تدريب مسبق.
تظهر المقارنة بين الأساليب الخاضعة للإشراف والأساليب الذاتية الخاضعة للإشراف أن بينما يمكن لـ SSL تحقيق تعميم معتدل على بيانات تغطية الأرض العامة، إلا أنها عمومًا تؤدي أداءً أقل مقارنةً بخوارزميات التعلم الميتا التي تم تدريبها مسبقًا على بيانات محددة للمحاصيل، خاصةً في السيناريوهات ذات العينات القليلة (k ≤ 100). هذا يبرز أهمية التحيزات الاستقرائية الخاصة بالمهام وصلة المجال في سياقات التعلم القليل. تكون خوارزميات التعلم الخاضعة للإشراف والتعلم الميتا بارعة في التكيف السريع مع المهام الجديدة مع الحد الأدنى من البيانات المعلمة، مما يجعلها فعالة بشكل خاص لتحديات تصنيف أنواع المحاصيل. بالمقابل، قد تفتقر SSL، على الرغم من قوتها في استخراج الميزات العامة من البيانات غير المعلمة، إلى الخصوصية الدلالية اللازمة للتكيف الفعال في البيئات الزراعية ذات العينات المحدودة. ومع ذلك، تظهر SSL أداءً متفوقًا على خط الأساس بدون تدريب مسبق، خاصةً للفئات الأقل تمثيلاً وفي إعدادات العينات العالية، وغالبًا ما تتفوق على أساليب التعلم الانتقالي التقليدية بشكل عام.
نتائج
في هذا القسم، يقدم المؤلفون نتائج الأداء لمجموعة متنوعة من الخوارزميات ومهام الضبط، مقارنةً بنموذج خط الأساس الذي تم تهيئته عشوائيًا مع التعلم الانتقالي والعديد من خوارزميات التعلم الميتا، بما في ذلك ANIL وMAML وFOMAML وTIML، بالإضافة إلى متغيرات نموذج التعلم الذاتي الخاضع للإشراف PRESTO. يتم قياس النتائج باستخدام الدقة العامة (OA)، مع الإبلاغ عن المتوسط والانحراف المعياري من التجارب المتكررة مع بذور عشوائية مختلفة.
بالنسبة لمهمة الضبط EuroCropsML S2، حقق نموذج خط الأساس الذي تم تهيئته عشوائيًا دقة OA قدرها $0.787 \pm 0.004$ على مجموعة الاختبار، مما يحدد نقطة مرجعية لتعقيد المهمة باستخدام بيانات إستونية. يتم تقديم تحليل إضافي لنتائج الضبط في الجداول المرفقة، التي تستكشف تأثيرات الفئات المحددة، مثل المراعي العشبية، وأداء الفئات الأقل تمثيلاً. في مهمة EuroCropsML S1+S2+ERA5، حقق نموذج خط الأساس دقة OA قدرها $0.768 \pm 0.010$، مما يمثل مرجعًا آخر لتقييم المهمة.
نقاش
في هذا القسم، يناقش المؤلفون مجموعة متنوعة من خوارزميات التعلم الميتا والتعلم الذاتي الخاضع للإشراف (SSL) المطبقة على تصنيف أنواع المحاصيل باستخدام بيانات الاستشعار عن بعد. يبرزون إطار التعلم الميتا غير المعتمد على النموذج (MAML) ومتغيراته، بما في ذلك التعلم الميتا من الدرجة الأولى (FOMAML) و”تقريبًا لا حلقة داخلية” (ANIL)، التي تقدم كفاءات حسابية. كما يتم تقديم خوارزمية التعلم الميتا المستندة إلى المهام (TIML)، مع التأكيد على دمجها لمعلومات محددة بالمهام، على الرغم من أنها لم تظهر أداءً محسنًا على الرغم من البيانات الإضافية المتعلقة بالموقع. يقدم المؤلفون نتائج من تجاربهم على مجموعة بيانات EuroCropsML المرجعية، مشيرين إلى أن الخوارزميات المعتمدة على MAML تتفوق عمومًا على الأساليب الأخرى، بما في ذلك التعلم الانتقالي وSSL، في دقة التنبؤ ودرجة كوهين. ومع ذلك، يلاحظون أن أساليب التعلم الميتا تتطلب أوقات تدريب أطول وضبطًا واسع النطاق للمعلمات، مما قد يقلل من مزاياها.
يؤكد النقاش أيضًا على التحديات المتعلقة بنقل المعرفة عبر مناطق جغرافية متنوعة وتأثير التحولات المكانية عند التدريب المسبق على بيانات بعيدة. تظهر أساليب SSL، خاصةً المشفرات التلقائية المقنعة، مزايا كبيرة في السيناريوهات التي تحتوي على بيانات معلمة محدودة، خاصةً للفئات الأقل تمثيلاً. يدعو المؤلفون إلى SSL كبديل قابل للتوسع للتعلم الميتا والتعلم الانتقالي، خاصةً في التطبيقات الزراعية حيث قد تكون البيانات المعلمة نادرة. يختتمون بالتأكيد على أهمية جهودهم في التقييم في تقدم الأبحاث والتطبيقات العملية في الاستشعار عن بعد الزراعي.
القيود
تظهر عائلة خوارزميات TIML قيودًا ملحوظة عند تطبيقها على معايير متعددة الفئات عبر المناطق، على الرغم من التحسينات التي تشمل معلومات الموقع الإضافية. بينما أظهر التنفيذ الأصلي من قبل تسينغ وآخرون (2022) نجاحًا في التصنيف الثنائي، يكشف الانتقال إلى سياق متعدد الفئات عن تحديات كبيرة، أساسًا بسبب التحولات الكبيرة في المجال التي تفرضها عمليات النقل عبر البلدان. يبدو أن دمج ميزات الموقع الدقيقة يعزز هذه التحديات، مما يؤدي إلى الإفراط في التكيف مع الأنماط الخاصة بالمنطقة التي لا تعمم بشكل جيد. يتضح هذا بشكل خاص مع مواقع القطع البرتغالية، التي قد تعكس خصائص زراعية محلية غير ذات صلة بظروف إستونيا. قد يفضل مشفر TIML، المصمم لالتقاط ميزات دقيقة، هذه الأنماط المحلية على حساب التعميم المكاني الأوسع، مما يثير القلق بشأن قدرته على الاستفادة من المعرفة المكتسبة مسبقًا بشكل فعال أثناء الضبط.
بالإضافة إلى ذلك، يمكن أن يؤدي دمج بيانات الموقع الثابتة في بيانات السلاسل الزمنية المهيكلة زمنيًا إلى إخفاء الأنماط الزمنية الكامنة، مما يعقد أداء النموذج. كما أن إطار TIML، خاصةً مع المشفر، يواجه صعوبة في التوازن بين الفئات، حيث تؤدي الفئة السائدة من المراعي في إستونيا إلى وضع تفشل فيه ميزات الموقع في العمل كفواصل فعالة. بدلاً من المساعدة في فصل الفئات، تعزز هذه الميزات ميل النموذج إلى الافتراض إلى الفئة السائدة، مما يعيق تعلم الميزات المميزة للفئات الأقل تمثيلاً. بشكل عام، تؤثر مجموعة التحولات عبر المناطق، والاعتماد المفرط على الميزات المرتبطة جغرافيًا، والقيود في بنية المشفر بشكل كبير على فعالية TIML في مجموعات البيانات المتنوعة. تدعو هذه النتائج إلى مزيد من التحقيق في دور ميزات الموقع الجغرافية في تصنيف أنواع المحاصيل، خاصةً بالنظر إلى التباين في الممارسات الزراعية عبر خطوط العرض المماثلة، على الرغم من أن التحليل الشامل لمشفر TIML يتجاوز نطاق الدراسة الحالية.
DOI: https://doi.org/10.1016/j.ophoto.2026.100117
Publication Date: 2026-01-01
Author(s): Joana Reuss et al.
Primary Topic: Remote Sensing in Agriculture
Overview
The research paper presents a comprehensive benchmark for evaluating crop-type classification methods using the EuroCropsML dataset, which integrates farmer-reported crop data with Sentinel-2 satellite observations from Estonia, Latvia, and Portugal. The study highlights the performance of various machine learning algorithms, particularly focusing on meta-learning approaches, such as those based on Model-Agnostic Meta-Learning (MAML), which demonstrate higher accuracy compared to supervised transfer learning and self-supervised learning (SSL) methods. However, these improvements come with increased computational demands and longer training times. The findings suggest that supervised methods are most effective when pre-trained and fine-tuned on geographically similar regions, while SSL shows promise in scenarios with limited labeled data, particularly for minority classes.
The study underscores the complexities of applying meta-learning techniques to geospatial problems, revealing that knowledge transfer across diverse geographic regions poses significant challenges. It emphasizes the need for careful consideration of regional disparities when transferring knowledge and suggests that researchers should first explore conventional transfer learning approaches to establish baselines before investigating meta-learning techniques. Additionally, while SSL can leverage unlabeled data effectively, supervised methods currently outperform SSL in distinguishing visually and spectrally similar crop classes. The paper concludes that despite the limitations of pre-training, SSL remains a valuable strategy in the absence of labeled data, especially as the number of training samples increases. The evaluation design reflects real-world conditions, revealing challenges in maintaining performance on minority classes due to imbalanced distributions in validation and test sets.
Introduction
The introduction highlights the critical role of satellite-generated spatio-temporal remote sensing data in Earth observation (EO), which supports diverse applications ranging from hurricane forecasting to agricultural assessments. The paper emphasizes the challenges of efficiently extracting valuable information from the vast amounts of data collected, particularly in agriculture, where satellite imagery aids in fertilization analysis, harvest detection, and yield forecasting. The integration of artificial intelligence (AI), especially machine learning (ML) and deep learning (DL), has shown promise in addressing these challenges, although the availability of comprehensive crop data remains uneven across geographical regions, often reflecting a Eurocentric and Amerocentric bias.
To tackle the limitations posed by data scarcity, the authors explore transfer learning and meta-learning as potential solutions. Transfer learning allows insights from data-rich tasks to enhance performance in related data-scarce tasks, while meta-learning focuses on improving generalization across multiple tasks. The paper also introduces self-supervised learning (SSL) as a valuable approach for leveraging unlabeled satellite imagery, enabling models to learn data representations without costly annotations. The study aims to analyze and compare various supervised and self-supervised learning techniques for multi-class crop-type classification using the EuroCropsML dataset, which combines Sentinel-2 reflectance data with existing reference data. By benchmarking these methods, the research seeks to assess the impact of different learning frameworks on classification performance in real-world scenarios characterized by limited annotated data and varied geographical conditions.
Methods
In this section, the authors detail the methodology employed in their benchmark study utilizing the EuroCropsML dataset, focusing on various machine learning (ML) models and learning algorithms. The experimental setup involves an end-to-end training approach, where supervised methods are pre-trained on the EuroCropsML pre-training dataset and subsequently fine-tuned on the EuroCropsML Estonia data. Conversely, self-supervised learning (SSL) algorithms are pre-trained on the Pixel-Sen12MS-CR-TS dataset before fine-tuning on the same Estonia data. Additionally, a baseline comparison is made with a randomly initialized Transformer encoder trained from scratch without pre-training.
The comparison between supervised and self-supervised methods reveals that while SSL can achieve moderate generalization on general-purpose land cover data, it generally underperforms compared to meta-learning algorithms that are pre-trained on crop-specific data, particularly in lower-shot scenarios (k ≤ 100). This underscores the significance of task-specific inductive biases and domain relevance in few-shot learning contexts. Supervised and meta-learning algorithms are adept at rapid adaptation to new tasks with minimal labeled data, making them particularly effective for crop-type classification challenges. In contrast, SSL, while powerful in extracting broad features from unlabeled data, may lack the semantic specificity necessary for effective adaptation in agricultural settings with limited samples. Nevertheless, SSL demonstrates superior performance over the no-pretraining baseline, especially for underrepresented classes and in higher-shot settings, often outperforming traditional transfer learning methods overall.
Results
In this section, the authors present the performance results of various algorithms and fine-tuning tasks, comparing a randomly initialized baseline model to transfer learning and several meta-learning algorithms, including ANIL, MAML, FOMAML, and TIML, as well as variants of the self-supervised learning model PRESTO. The results are quantified using overall accuracy (OA), with mean and standard deviation reported from repeated experiments with different random seeds.
For the EuroCropsML S2 fine-tuning task, the randomly initialized baseline model achieved an OA of $0.787 \pm 0.004$ on the test set, establishing a reference point for the task’s complexity with Estonian data. Further analysis of the fine-tuning results is provided in accompanying tables, which explore the effects of specific classes, such as pasture meadow grassland, and the performance of minority classes. In the EuroCropsML S1+S2+ERA5 task, the baseline model yielded an OA of $0.768 \pm 0.010$, serving as another reference for task evaluation.
Discussion
In this section, the authors discuss various meta-learning and self-supervised learning (SSL) algorithms applied to crop-type classification using remote sensing data. They highlight the Model-Agnostic Meta-Learning (MAML) framework and its variants, including First-Order MAML (FOMAML) and Almost No Inner Loop (ANIL), which offer computational efficiencies. The Task-Informed Meta-Learning (TIML) algorithm is also introduced, emphasizing its incorporation of task-specific information, although it did not show improved performance despite additional location data. The authors present findings from their experiments on the EuroCropsML benchmark dataset, indicating that MAML-based algorithms generally outperform other methods, including transfer learning and SSL, in prediction accuracy and Cohen’s kappa score. However, they note that meta-learning approaches require longer training times and extensive hyperparameter tuning, which can diminish their advantages.
The discussion further emphasizes the challenges of transferring knowledge across geographically diverse regions and the impact of domain shifts when pre-training on distant data. SSL methods, particularly masked autoencoders, demonstrate significant advantages in scenarios with limited labeled data, especially for minority classes. The authors advocate for SSL as a scalable alternative to meta-learning and transfer learning, particularly in agricultural applications where labeled data may be scarce. They conclude by underscoring the importance of their benchmarking efforts in advancing research and practical applications in agricultural remote sensing.
Limitations
The TIML family of algorithms exhibits notable limitations when applied to multi-class cross-regional benchmarks, despite enhancements that include additional parcel location information. While the original implementation by Tseng et al. (2022) demonstrated success in binary classification, the transition to a multi-class context reveals significant challenges, primarily due to the substantial domain shifts introduced by cross-country transfer. The incorporation of precise parcel location features appears to exacerbate these challenges, leading to overfitting on region-specific patterns that do not generalize well. This is particularly evident with Portuguese parcel locations, which may reflect localized agricultural characteristics irrelevant to Estonian conditions. The TIML encoder, designed to capture fine-grained features, may prioritize these localized patterns at the expense of broader spatial generalization, raising concerns about its ability to leverage pre-training knowledge effectively during fine-tuning.
Additionally, the integration of static location data into temporally structured time-series data can obscure inherent temporal patterns, further complicating the model’s performance. The TIML framework, especially with the encoder, also struggles with class imbalance, as the dominant meadow class in Estonia leads to a situation where location features fail to serve as effective discriminators. Instead of aiding in class separation, these features reinforce the model’s tendency to default to the majority class, hindering the learning of distinguishing features for minority classes. Overall, the combination of cross-regional domain shifts, over-reliance on geographically anchored features, and limitations in the encoder’s architecture significantly impairs TIML’s effectiveness in heterogeneous datasets. These findings prompt further investigation into the role of geographical location features in crop type classification, particularly given the variability in agricultural practices across similar latitudes, although a comprehensive analysis of the TIML encoder is beyond the current study’s scope.