全色夜间卫星图像着色：若干机器学习方法的性能比较
应用统计
2022-05-17 v2
摘要
人工夜间光照（ALAN）从地面发射并从太空可见，标志着人类在地球上的存在。自搭载可见光红外成像辐射计套件昼/夜波段（VIIRS/DNB）的 Suomi 国家极地伙伴卫星发射以来，全球夜间图像显著改善；然而，它们仍是全色的。尽管多光谱图像也可获得，但它们或是商业的或是免费的，但零星可得。在本文中，我们使用若干机器学习技术，如线性、核、随机森林回归以及弹性映射方法，将全色 VIIRS/DBN 转换为红绿蓝（RGB）图像。为验证所提方法，我们分析了全球八个城市区域的 RGB 图像。我们将从 ISS 照片获得的 RGB 值与全色 ALAN 强度、其逐像素差异以及若干土地利用类型代理相关联。每个数据集用于模型训练，而其他数据集用于模型验证。分析表明，模型估计的 RGB 图像与 ISS 数据库中的原始 RGB 图像表现出高度一致性。然而，基于线性、核和随机森林回归的估计提供了更好的相关性、对比度相似性和更低的 WMSE 水平，而使用弹性映射方法生成的 RGB 图像提供了更高的预测一致性。
引用
@article{arxiv.2008.09303,
title = {Coloring Panchromatic Nighttime Satellite Images: Comparing the Performance of Several Machine Learning Methods},
author = {N. Rybnikova and B. A. Portnov and E. M. Mirkes and A. Zinovyev and A. Brook and A. N. Gorban},
journal= {arXiv preprint arXiv:2008.09303},
year = {2022}
}