深度学习框架:使用多光谱卫星图像的土地利用/土地覆盖和分析
作者
阿尔哈桑(Victor)
亨利,克里斯托弗
拉玛娜(Ramanna),希拉(Sheela)
斯托里,克里斯托弗
日期
2019-07-17引用
Alhassan,Victor,Christopher Henry,Sheela Ramanna和Christopher Storie,“深度学习框架:使用多光谱卫星图像的土地使用/土地覆盖和分析。”神经计算和应用(2019年7月17日在线发布)。doi:10.1007/s00521-019-04349-9。
抽象的
在本文中,我们提出了一种使用深度学习方法从多光谱卫星图像中映射土地利用和土地覆盖(LULC)的方法。术语卫星图像分类和地图生产虽然可以互换使用,但在遥感领域具有特定的含义。卫星图像分类描述了全局标签对整个场景的分配,而LULC地图的生产涉及通过为每个像素分配一类生产地图。我们表明,通过将卫星图像中的每个像素分类为许多LULC类别,我们就能成功生成LULC地图。LULC映射的过程是使用Imagenet大规模视觉识别竞赛数据集的深度神经网络进行的,并在我们的目标数据集中进行了微调,该数据集由Landsat 5/7的Manitoba省拍摄的Landsat 5/7多光谱卫星图像组成。加拿大。这种方法导致了88%的全球精度。通过考虑与原始网络集成的最新生成对抗架构和上下文模块,进一步提高了性能。结果是一个自动化的深度学习框架,该框架可以产生高度准确的LULC映射图像明显快于当前的半自动化方法。本文的贡献包括对不同FCN体系结构进行广泛的实验,并在独特的数据集上扩展,高分类精度为90.46%,以及对我们的结果进行彻底的分析和准确评估。