利用深度学习技术从卫星图像自动检测自然灾害对稻田的影响
计算机视觉与模式识别
2023-04-04 v1 机器学习
摘要
本文旨在利用高分辨率卫星影像检测孟加拉国自然灾害造成的稻田损毁。作者基于实地层面构建了稻田损毁的地面真值数据。首先，计算灾前灾后 NDVI 差值以识别可能的作物损失。观测到显著变化的面积中等于并超过 0.33 阈值的被标记为作物损失区。作者还通过收集当地农民的数据核实了作物损失区。随后，卫星数据的不同波段（红、绿、蓝）与（假彩色红外）可用于检测作物损失区。我们使用 NDVI 差值图像作为地面真值来训练 DeepLabV3plus 模型。使用 RGB 我们得到 IoU 0.41，使用 FCI 我们得到 IoU 0.51。由于 FCI 使用 NIR、红、蓝波段且 NDVI 是 NIR 与红波段的归一化差值，因此 FCI 的 IoU 分数高于 RGB 是预期的。但 RGB 在此表现并不很差。因此，在其他波段不可得时，RGB 可在一定程度上用于了解作物损失区。本文构建的地面真值可用于仅含极高分辨率 RGB 图像的分割模型，如 Bing、Google 等。
引用
@article{arxiv.2304.00622,
title = {Automatic Detection of Natural Disaster Effect on Paddy Field from Satellite Images using Deep Learning Techniques},
author = {Tahmid Alavi Ishmam and Amin Ahsan Ali and Md Ahsraful Amin and A K M Mahbubur Rahman},
journal= {arXiv preprint arXiv:2304.00622},
year = {2023}
}
备注
6 pages, 13 figures. This paper has been accepted for presentation at the ICCRE2023 conference, held at Nagaoka University of Technology, Japan