Predicting Viticulture Potential through an Ensemble of U-Net and a Geospatial Foundation Model
作者: Jorge Ignacio Perez, Hwaai Kang Kee, Lucas Rassbach
分类: cs.CV, cs.LG
发布日期: 2026-07-09
备注: To be published in CLEF 2026 Working Notes
🔗 代码/项目: GITHUB
💡 一句话要点
通过U-Net与地理基础模型集成预测葡萄种植潜力
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 遥感数据 农业潜力预测 U-Net 地理基础模型 集成学习 可持续农业 土地管理
📋 核心要点
- 现有农业潜力评估方法依赖于传统的调查和测量，成本高且效率低。
- 本文提出了一种结合U-Net和地理基础模型的集成方法，以提高葡萄种植潜力的预测精度。
- 实验结果显示，模型在排行榜上取得68.32的±1准确率，排名第二，展示了显著的性能提升。
📝 摘要（中文）
确定农业潜力对可持续土地管理和农业规划至关重要。遥感数据因传统方法（如调查、现场测量、土壤测试等）成本高而日益受到重视。本文针对2026年ImageCLEF AI4Agri的子任务1，提出了一种结合U-Net与地理基础模型（Prithvi-2.0）的集成方法。我们的最佳模型在排行榜上取得了68.32的±1准确率，排名第二。该研究的实现代码已公开发布。
🔬 方法详解
问题定义：本文旨在解决葡萄种植潜力预测中的准确性和效率问题。现有方法多依赖于昂贵的现场数据采集，难以快速评估大面积土地的农业潜力。
核心思路：通过集成U-Net和地理基础模型，利用遥感数据的优势，提升预测的准确性和效率。U-Net负责图像分割，而地理基础模型提供地理信息的支持，二者结合形成更全面的预测模型。
技术框架：整体架构包括数据预处理、U-Net模型训练、地理基础模型集成以及最终的预测输出。数据预处理阶段负责遥感数据的清洗和标准化，U-Net用于特征提取，地理基础模型则提供额外的空间信息。
关键创新：本研究的创新点在于将U-Net与地理基础模型的集成应用于农业潜力预测，突破了传统方法的局限，提升了模型的泛化能力和预测精度。
关键设计：模型采用了交叉熵损失函数以优化分割效果，U-Net的网络结构经过调整以适应特定的遥感数据特征，同时地理基础模型的参数设置经过调优，以确保信息的有效融合。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提出的集成模型在排行榜上取得了68.32的±1准确率，排名第二，优于其他六个团队的表现。这一结果表明，集成方法在葡萄种植潜力预测中具有显著的优势。
🎯 应用场景
该研究的潜在应用领域包括农业规划、土地管理和环境监测等。通过准确预测葡萄种植潜力，农民和政策制定者可以更有效地进行资源分配和土地利用，促进可持续农业发展。未来，该方法也可扩展至其他作物的潜力评估。
📄 摘要（原文）
Determining agricultural potential is fundamental to sustainable land management and agricultural planning. Remote sensing data is increasingly valuable as an avenue for agricultural potential due to the cost of traditional methods (surveys, in-situ measurements, soil testing, etc). ImageCLEF AI4Agri 2026: Subtask 1 is concerned with the prediction of viticulture potential in Southern France. The DS@GT ARC's submission for Subtask 1 introduces an ensemble of U-Net and a Geospatial Foundation Model (Prithvi-2.0). Our best model achieved a $\pm$1 accuracy of 68.32 on the leaderboard, ranking 2nd among 7 teams. The implementation for this work is publicly available at https://github.com/dsgt-arc/imageclef-ai4agri-2026 .