土地利用/土地覆盖的深度自回归建模
计算机视觉与模式识别
2024-01-04 v1 机器学习
摘要
由于地理特征之间的长程依赖性以及与此地形、生态和人类发展相关的独特空间模式，土地利用/土地覆盖 (LULC) 建模是一项具有挑战性的任务。我们识别出土地利用空间模式建模与计算机视觉中的图像修复任务之间存在密切联系，并开展了一项研究，使用具有约 1900 万参数的改进 PixelCNN 架构对 LULC 进行建模。与基准空间统计模型相比，我们发现前者能够捕捉更丰富的空间相关模式（如道路和水体），但未能产生校准的预测分布，表明需要额外的调整。我们发现关于重要生态相关土地利用统计量（如斑块数量和邻接性）存在预测欠离散的证据，这在一定程度上可以通过操纵采样变异性来改善。
引用
@article{arxiv.2401.01395,
title = {Deep autoregressive modeling for land use land cover},
author = {Christopher Krapu and Mark Borsuk and Ryan Calder},
journal= {arXiv preprint arXiv:2401.01395},
year = {2024}
}