基于CNN利用Landsat-5 TM与Resourcesat-1 LISS-IV影像的亚像元城市土地覆盖分类方法
计算机视觉与模式识别
2021-12-17 v1 机器学习
摘要
城市土地覆盖的时序数据在分析城市增长模式、不透水面与植被分布变化及其对城市微气候的影响方面具有重大效用。虽然Landsat数据因长期的免费影像序列而理想用于此类分析，传统的逐像元硬分类未能发挥Landsat数据的全部潜力。本文提出一种利用Landsat-5 TM与Resourcesat-1 LISS-IV传感器时间重叠的亚像元分类方法。我们训练卷积神经网络从30米Landsat-5 TM数据预测分数土地覆盖图。参考土地覆盖分数由2011年班加罗尔的5.8米LISS-IV硬分类影像估计。进一步，我们利用2009年孟买的数据并与随机森林分类器所得结果比较，证明了所提模型的泛化性与优越性能。对于班加罗尔(2011)和孟买(2009)数据，我们的CNN模型在30米像元水平上对建成区与植被分数预测的 Mean Absolute Percentage Error 为7.2至11.3。与多数近期研究仅使用有限空间范围数据验证不同，我们的模型使用两个不同时期两座特大城市完整空间范围的数据训练和验证。因此，它可可靠地从Landsat-5 TM时序数据生成30米建成区与植被分数图，以分析长期城市增长模式。
引用
@article{arxiv.2112.08841,
title = {A CNN based method for Sub-pixel Urban Land Cover Classification using Landsat-5 TM and Resourcesat-1 LISS-IV Imagery},
author = {Krishna Kumar Perikamana and Krishnachandran Balakrishnan and Pratyush Tripathy},
journal= {arXiv preprint arXiv:2112.08841},
year = {2021}
}
备注
29 pages, 14 figures (including appendix), 8 tables (including appendix)