一种用于灌溉制图的深度学习方法：IrrMapper-U-Net
计算机视觉与模式识别
2022-08-10 v1 图像与视频处理
摘要
精确的灌溉制图对于理解和管理水资源至关重要。我们提出一种灌溉制图新方法，并展示了其在蒙大拿州 2000–2019 年间的精度。该方法基于一组卷积神经网络集成，利用 Landsat 影像的反照率信息对灌溉像元进行分类，我们称之为 IrrMapper-U-Net。该方法不依赖大量特征工程，也不使用现有地理空间数据集中的土地利用信息来约束分类。该集成无需穷举超参数调优，且分析流程足够轻量，可在个人计算机上实现。此外，所提方法给出了分类相关不确定性的估计。我们利用一种高精度的新型空间显式地面真值数据集、县级 USDA 灌溉范围调查以及地籍调查对方法及所得灌溉图进行了评估。我们发现，就总体精度与精密度而言，本方法优于蒙大拿州其他灌溉制图方法。我们发现，与其他方法相比，本方法在州尺度上与 USDA 国家农业统计调查灌溉面积估计更为吻合，且在雨养农业区的虚报误差远少。该方法在无监督下学会掩蔽云并忽略 Landsat 7 扫描线故障，减少了对数据预处理的需求。该方法有望应用于整个美国及完整的 Landsat 记录。
引用
@article{arxiv.2103.03278,
title = {A Deep Learning Approach to Mapping Irrigation: IrrMapper-U-Net},
author = {Thomas Colligan and David Ketchum and Douglas Brinkerhoff and Marco Maneta},
journal= {arXiv preprint arXiv:2103.03278},
year = {2022}
}