基于语义分割的 Sentinel-2 遥感影像自动线性扰动图景制图
计算机视觉与模式识别
2024-09-20 v1
摘要
在加拿大的北部地区，线性扰动（如道路、地震勘探线和管道）对温带林地麋鹿（Rangifer tarandus）种群构成重大威胁。为解决此类扰动对林业栖息地碎片化管理的迫切需求，亟需开发能够精准识别森林栖息地碎片化的映射方法。传统方法依赖人工制图，耗时且无法实现频繁更新。相比之下，利用深度学习方法处理多光谱卫星影像，可为自动化且定期更新的图景制图提供经济高效的解决方案。虽然深度学习模型在高分辨率（<0.5米）城市道路提取方面表现良好，但其在低分辨率森林区域常规线性特征提取中的有效性仍有待探索。本研究基于 VGGNet16 架构的深度卷积神经网络模型，用于对低分辨率（10米）Sentinel-2 卫星影像进行语义分割，实现精确的多类线性扰动图景制图。模型使用来自阿尔伯塔生物多样性监测组织的人类足迹数据集获取的地面实验标签图，专注于阿尔伯塔省的 boreal 与 taiga 平原生态区。尽管在处理低分辨率影像（尤其是宽度仅为 1-3 像素的地震勘探线）方面存在分割挑战，但我们的实验结果表明，VGGNet 模型在准确提取线性扰动方面具有良好效果。通过利用免费提供的 Sentinel-2 影像，本工作推进了面向识别和监测线性扰动碎片化的成本效益高的自动化制图技术。
关键词
引用
@article{arxiv.2409.12817,
title = {Automated Linear Disturbance Mapping via Semantic Segmentation of Sentinel-2 Imagery},
author = {Andrew M. Nagel and Anne Webster and Christopher Henry and Christopher Storie and Ignacio San-Miguel Sanchez and Olivier Tsui and Jason Duffe and Andy Dean},
journal= {arXiv preprint arXiv:2409.12817},
year = {2024}
}