利用深度学习和卫星影像绘制非洲高分辨率城乡聚落地图
计算机视觉与模式识别
2026-02-10 v2 计算机与社会
机器学习
摘要
准确一致地绘制城乡区域地图对于可持续发展、空间规划和政策设计至关重要。它在模拟人类活动与自然资源之间复杂的相互作用中尤为重要。现有的全球城乡数据集，如GHSL-SMOD、GHS城市化程度和GRUMP，通常空间分辨率粗糙、方法不一致，且难以适应像非洲这样异质性强的地区，这限制了它们在政策和研究中的实用性。它们粗糙的网格和基于规则的分类方法掩盖了小型或非正规聚落，并导致国家间的不一致性。在本研究中，我们开发了一个基于DeepLabV3的深度学习框架，该框架集成了多源数据，包括Landsat-8影像、VIIRS夜间灯光、ESRI土地利用/土地覆盖(LULC)和GHS-SMOD，生成了2016年至2022年非洲大陆的10米分辨率城乡地图。使用Landsat数据也突显了将此制图方法在历史上延伸至20世纪90年代的潜力。该模型采用语义分割来捕捉精细尺度的聚落形态，其输出使用人口与健康调查(DHS)数据集进行验证，该数据集提供了独立的、基于调查的城乡标签。该模型在大陆尺度上达到了65%的总体精度和0.47的Kappa系数，优于SMOD等现有全球产品。由此产生的高分辨率城乡(HUR)数据集为绘制人类聚落地图提供了一个开放且可复现的框架，能够对非洲快速演变的聚落系统进行更具情境感知的分析。我们发布了一个覆盖2016年至2022年期间的泛非洲城乡数据集，为非洲高分辨率聚落制图提供了新的数据源。
引用
@article{arxiv.2411.02935,
title = {A High Resolution Urban and Rural Settlement Map of Africa Using Deep Learning and Satellite Imagery},
author = {Mohammad Kakooei and James Bailie and Markus B. Pettersson and Albin Söderberg and Albin Becevic and Adel Daoud},
journal= {arXiv preprint arXiv:2411.02935},
year = {2026}
}
备注
25 pages, 12 figures