一种结合深度学习与 Google Earth Engine 的城市水体提取方法
计算机视觉与模式识别
2024-05-21 v2 图像与视频处理
摘要
城市水体对城市生态系统具有重要意义。利用遥感数据准确高效地检测城市水体，对城市管理与规划具有重要价值。本文提出一种将 Google Earth Engine (GEE) 与多尺度卷积神经网络 (MSCNN) 相结合以从 Landsat 影像中提取城市水体的新方法，概括为离线训练与在线预测 (OTOP)。即 MSCNN 的训练离线完成，城市水体提取过程在 GEE 上利用训练好的 MSCNN 参数实现。OTOP 能充分发挥 GEE 与 CNN 各自的优点，使深度学习方法在 GEE 上的使用更加灵活。它可在无需数据下载与存储的情况下高性能处理可用卫星影像，且城市水体提取的整体性能高于改进归一化差异水体指数 (MNDWI) 与随机森林。在长春、武汉、昆明和广州，OTOP 提取城市水体的平均 kappa、F1-score 与交并比 (IoU) 分别达到 0.924、0.930 和 0.869。在中国其他主要城市的扩展验证结果也表明，OTOP 具有鲁棒性，可用于提取不同类型的城市水体，这得益于 MSCNN 的结构设计与训练。因此，OTOP 特别适用于城镇化背景下大尺度、长时序城市水体变化检测研究。
引用
@article{arxiv.1912.10726,
title = {An Urban Water Extraction Method Combining Deep Learning and Google Earth Engine},
author = {Yudie Wang and Zhiwei Li and Chao Zeng and Gui-Song Xia and Huanfeng Shen},
journal= {arXiv preprint arXiv:1912.10726},
year = {2024}
}
备注
This manuscript has been accepted for publication in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 13, pp. 769-782, 2020