基于 Swin-Unet 构建高时间分辨率全球湖泊数据集及其在面积预测中的应用
计算机视觉与模式识别
2024-08-21 v1
摘要
湖泊提供广泛有价值的生态系统服务，如供水、生物多样性栖息地和碳封存。然而，湖泊正日益受到气候变化和人类活动的威胁。因此，对湖泊动态进行持续全球监测至关重要，但在大规模上仍具有挑战性。最近开发的全球湖泊面积数据库（GLAKES）已绘制了全球超过 340 万个湖泊，但仅提供十年间隔的数据，可能不足以捕捉快速或短期变化。本文引入了一个扩展的湖泊数据库 GLAKES-Additional，为全球 152,567 个湖泊提供了 1990 年至 2021 年间的两年间隔边界划定和面积测量。我们采用 Swin-Unet 模型替代传统卷积操作，以有效应对高空间分辨率卫星影像感受野需求带来的挑战。增加的两年时间分辨率有助于定量归因湖泊面积变化到气候和水文驱动因素，如降水和温度变化。在预测湖泊面积变化方面，我们使用了长短期记忆（LSTM）神经网络和扩展的时间序列数据集进行初步建模。在气候和土地利用情景下，我们的模型在预测未来湖泊面积变化时取得了 0.317 km² 的 RMSE。
引用
@article{arxiv.2408.10821,
title = {Constructing a High Temporal Resolution Global Lakes Dataset via Swin-Unet with Applications to Area Prediction},
author = {Yutian Han and Baoxiang Huang and He Gao},
journal= {arXiv preprint arXiv:2408.10821},
year = {2024}
}