基于机器学习的多光谱数据水体分割分析与运用
计算机视觉与模式识别
2022-12-20 v1
摘要
由于水的动态特性、外加污染物以及陆地堆积，监测水体是一项复杂的任务。Sentinel-2 多光谱产品提供的高分辨率数据使得实施遥感应用成为可能。然而，对该产品多光谱波段的过度利用或利用不足会导致性能下降。在这项工作中，我们比较了 Sentinel-2 产品中 13 个波段里 10 个波段在使用八种机器学习算法进行水体分割时的性能。我们发现短波红外波段（B11 和 B12）对水体分割最为有效。在所有算法上，B11 在测试站点达到 的总体精度，而 B12 达到 。我们还发现支持向量机（SVM）算法是最适合单波段水体分割的。SVM 在给定测试站点的被测波段上总体精度达到 。最后，为展示选择适量数据的有效性，我们仅使用 B11 反射率数据训练了一个人工神经网络 BandNet。即使架构基础，BandNet 在语义与水体分割方面也可与已知架构相媲美，在测试站点上达到 mIOU。BandNet 仅需极少的时间和资源进行训练和推理，适合部署在 Web 应用上以运行和监测局部区域的水体。我们的代码库位于 https://github.com/IamShubhamGupto/BandNet。
引用
@article{arxiv.2212.08749,
title = {Analysis and application of multispectral data for water segmentation using machine learning},
author = {Shubham Gupta and Uma D. and Ramachandra Hebbar},
journal= {arXiv preprint arXiv:2212.08749},
year = {2022}
}