基于多光谱与全色商业卫星影像的子米分辨率河流分类深度学习模型
计算机视觉与模式识别
2022-12-29 v1 机器学习
图像与视频处理
地球物理
摘要
地球地表水的遥感在广泛的环境研究中至关重要，从评估季节性干旱与洪涝的社会影响到气候变化的大规模影响均涵盖其中。因此，关于从卫星影像中进行水体分类的文献十分丰富。然而，以往方法受限于：1）公共卫星影像的空间分辨率，2）在像素层面运作的分类方案，以及 3）对多光谱波段的需求。我们将最先进水平推进如下：1）使用全色与多光谱分辨率分别为 30 cm 和 1.2 m 的商业影像，2）开发多个全卷积神经网络（FCN），除光谱属性外还能学习水体的形态学特征，以及 3）可从全色影像分类水体的 FCN。本研究聚焦于北极河流，使用来自 Quickbird、WorldView 和 GeoEye 卫星的影像。由于如此高分辨率下无可用训练数据，我们手动构建这些数据。首先，我们使用 8 波段多光谱传感器的 RGB 与 NIR 波段。这些训练模型在验证数据上均取得超过 90% 的优异精确率与召回率，这得益于针对卫星影像的训练数据实时预处理。接着，我们采用一种新方法，利用多光谱模型的结果生成仅需全色影像的 FCN 训练数据，而全色影像的可用量要大得多。尽管特征空间更小，这些模型仍取得超过 85% 的精确率与召回率。我们向遥感界提供开源代码与训练模型参数，这为以远高于以往可能的精度和两个数量级更高空间分辨率开展广泛的环境水文学应用铺平了道路。
引用
@article{arxiv.2212.13613,
title = {Deep Learning Models for River Classification at Sub-Meter Resolutions from Multispectral and Panchromatic Commercial Satellite Imagery},
author = {Joachim Moortgat and Ziwei Li and Michael Durand and Ian Howat and Bidhyananda Yadav and Chunli Dai},
journal= {arXiv preprint arXiv:2212.13613},
year = {2022}
}
备注
21 pages, 10 figures, 3 tables