基于深度学习的陆生排水网络分类新方法及太阳系天体上的初步结果
地球物理
2021-03-16 v1 地球与行星天体物理
机器学习
数据分析、统计与概率
摘要
已有多种方法被提出以描述排水网络的地貌形态以及决定其形态的非生物/生物因素。在明确量化响应各类控制因素而产生的形态变化以及表达因果联系方面存在内在复杂性。传统的排水网络分类方法基于关键特征的手动提取，随后作为模式识别方案应用。然而，这些方法预测能力与统一性较低。我们提出了一种不同的方法，基于图像的数据驱动监督学习，并扩展至地外情形。借助深度学习模型，特征提取与分类阶段被整合进一个更客观、分析与自动化的框架中。尽管由于可用训练图像数量少以及不同排水样本形状间的相似性而存在初始困难，我们仍获得了成功的结果，并得出结论：深度学习是地貌学及相关领域中进行数据探索的有效途径。
引用
@article{arxiv.2103.04116,
title = {A novel approach to the classification of terrestrial drainage networks based on deep learning and preliminary results on Solar System bodies},
author = {Carlo Donadio and Massimo Brescia and Alessia Riccardo and Giuseppe Angora and Michele Delli Veneri and Giuseppe Riccio},
journal= {arXiv preprint arXiv:2103.04116},
year = {2021}
}
备注
Accepted, To be published on Scientific Reports (Nature Research Journal), 22 pages, 3 figures, 4 tables