一种基于 CNN-LSTM 预测城市扩张的新方法
计算机视觉与模式识别
2021-03-03 v1 机器学习
摘要
时间序列遥感数据提供了丰富的信息源，可用于从土地覆盖变化监测到农作物巡查、海岸变化、洪水风险评估及城市蔓延等广泛应用。本文应对利用时间序列卫星图像预测城市扩张的挑战。在先前工作基础上，我们提出一种基于语义图像分割的新颖两步法以预测城市扩张。第一步旨在提取不同时间尺度下城市区域的信息，并为训练步骤做好准备。第二步将卷积神经网络（CNN）与长短期记忆（LSTM）方法结合，以学习时间特征从而预测城市扩张。本文使用代表沙特阿拉伯三大城市即利雅得、吉达和达曼的多时相卫星图像进行实验。我们对所提技术做了实证评估，并通过与最先进方法比较来检验其结果。经此评估，我们确定新耦合的 CNN-LSTM 方法展现出更优性能，尤其在基于均方误差、均方根误差、峰值信噪比、结构相似性指数和总体分类精度的评价方面。
引用
@article{arxiv.2103.01695,
title = {A Novel CNN-LSTM-based Approach to Predict Urban Expansion},
author = {Wadii Boulila and Hamza Ghandorh and Mehshan Ahmed Khan and Fawad Ahmed and Jawad Ahmad},
journal= {arXiv preprint arXiv:2103.01695},
year = {2021}
}