Mapping agriculture in tropical areas through remote sensing presents unique challenges, including the lack of high-quality annotated data, the elevated costs of labeling, data variability, and regional generalisation. This paper advocates a Data-Centric Artificial Intelligence (DCAI) perspective and pipeline, emphasizing data quality and curation as key drivers for model robustness and scalability. It reviews and prioritizes techniques such as confident learning, core-set selection, data augmentation, and active learning. The paper highlights the readiness and suitability of 25 distinct strategies in large-scale agricultural mapping pipelines. The tropical context is of high interest, since high cloudiness, diverse crop calendars, and limited datasets limit traditional model-centric approaches. This tutorial outlines practical solutions as a data-centric approach for curating and training AI models better suited to the dynamic realities of tropical agriculture. Finally, we propose a practical pipeline using the 9 most mature and straightforward methods that can be applied to a large-scale tropical agricultural mapping project.

Bản dịch tiếng Việt:

Lập bản đồ nông nghiệp ở các khu vực nhiệt đới thông qua viễn thám đặt ra những thách thức đặc biệt, bao gồm thiếu dữ liệu chú thích chất lượng cao, chi phí ghi nhãn tăng cao, tính biến đổi của dữ liệu và khái quát hóa khu vực. Bài viết này ủng hộ quan điểm và quy trình Trí tuệ nhân tạo tập trung vào dữ liệu (DCAI), nhấn mạnh chất lượng và quản lý dữ liệu là động lực chính cho độ bền và khả năng mở rộng của mô hình. Nó xem xét và ưu tiên các kỹ thuật như học tập tự tin, lựa chọn tập hợp cốt lõi, tăng cường dữ liệu và học tập tích cực. Bài viết nhấn mạnh tính sẵn sàng và phù hợp của 25 chiến lược riêng biệt trong quy trình lập bản đồ nông nghiệp quy mô lớn. Bối cảnh nhiệt đới rất được quan tâm vì độ mây cao, lịch trồng trọt đa dạng và bộ dữ liệu hạn chế đã hạn chế các phương pháp tiếp cận lấy mô hình làm trung tâm truyền thống. Hướng dẫn này phác thảo các giải pháp thực tế như một cách tiếp cận lấy dữ liệu làm trung tâm để quản lý và đào tạo các mô hình AI phù hợp hơn với thực tế năng động của nông nghiệp nhiệt đới. Cuối cùng, chúng tôi đề xuất một quy trình thực tế sử dụng 9 phương pháp đơn giản và hoàn thiện nhất có thể áp dụng cho dự án lập bản đồ nông nghiệp nhiệt đới quy mô lớn.

Document Ready

Click below to load the full PDF document natively.