欧洲大陆尺度 10 米分辨率土地覆盖制图 (ELC10)
计算机视觉与模式识别
2021-06-14 v1 机器学习
摘要
广泛使用的欧洲土地覆盖图如 CORINE 以中等空间分辨率 (100 m) 制作，并依赖多样数据与复杂工作流，需要显著的机构能力。我们提出了一种基于卫星驱动的机器学习工作流、可年度更新的欧洲高分辨率 (10 m) 土地覆盖图 (ELC10)。一个随机森林 (Random Forest) 分类模型在来自 LUCAS (Land Use/Cover Area frame Survey) 数据集的 7 万个地面真值点上进行训练。在 Google Earth Engine 云计算环境中，ELC10 地图可由约 700 TB 的 Sentinel 影像在约 4 天内从单一研究用户账户生成。该地图在 8 个土地覆盖类别上达到 90% 的总体精度，并能以实际值 3.9% (R2 = 0.83) 的偏差解释统计单元土地覆盖比例。这些精度高于 CORINE (100 m) 以及其他 10 米土地覆盖图包括 S2GLC 和 FROM-GLC10。我们发现 Sentinel-2 的大气校正与 Sentinel-1 影像的斑点滤波对提升分类精度影响极小 (< 1%)。然而，结合光学与雷达影像相比仅用 Sentinel-2 精度提升 3%，相比仅用 Sentinel-1 提升 10%。在 Copernicus 模块下将 LUCAS 点转换为同质多边形使精度提升 <1%，表明随机森林对受污染训练数据具有鲁棒性。此外，该模型仅需极少训练数据即可达到中等精度——5K 与 50K 个 LUCAS 点的差异仅 3% (86 对比 89%)。在 10 米分辨率下，ELC10 地图可区分树篱与花园等精细景观特征，因此在城市 borough 级别的空中统计与监测物业级环境干预 (如植树) 方面具有潜力。
引用
@article{arxiv.2104.10922,
title = {Continental-scale land cover mapping at 10 m resolution over Europe (ELC10)},
author = {Zander S. Venter and Markus A. K. Sydenham},
journal= {arXiv preprint arXiv:2104.10922},
year = {2021}
}