摘要
从卫星影像中发现农场位置是一个时空候选排名问题，因为农场证据分布于牧场、田地边界、道路、建筑物及季节性植被模式中。由于直接的农场标签往往不完整，完全监督的检测变得困难。本文提出了一种弱监督管道，用于从季节性Sentinel影像和开放地图先验中排名奶牛场候选集群。
该方法使用来自爱尔兰科克县的对齐春季、夏季和秋季影像块，结合光谱波段、植被指数、建筑面积指数及牧场通道。Barlow Twins编码器在没有农场标签的情况下学习多季节影像块的嵌入。同时，弱OpenStreetMap农场先验被分为先验集和保留集。先验特征支持一个基于规则的影像块得分，该得分结合了农场邻近性、季节性牧场证据和夏季绿度，而保留特征仅用于代理评估。
规则得分通过地理邻近性和嵌入相似性在空间表示图上进行平滑，高得分影像块被分组为排名候选集群。从26,722个有效影像块中，主要运行选择了535个高置信度影像块，形成71个候选集群。前5个集群在500米范围内实现了0.60的精确度，在1000米范围内实现了0.80的精确度。前10个集群在500米范围内实现了0.40的精确度，在1000米范围内实现了0.80的精确度。结果表明，季节性表示学习和弱地理先验可以将大量卫星影像集合缩减为紧凑的候选集供人工审核。
博主点评： 本文提出的弱监督方法在农场位置发现中展现了显著的潜力，尤其是在缺乏完整标签的情况下。通过结合多季节影像和开放地图数据，研究展示了如何有效利用已有资源来提高地理信息系统的精确性，这对精准农业具有重要的应用价值。