在低分辨率卫星时间序列数据中检测难以辨识的道路

海量卫星数据随时间累积，蕴含着揭示地球表面时空编年史的可能。这些数据使科学家能够在全球尺度上研究各种重要问题，如土地利用变化。然而，并非所有土地利用现象在卫星影像上都具有同等的可见性。特别是，尽管对分析城市化模式及其影响至关重要，建立地球道路基础设施的清单仍是一项挑战。为此，本研究推进了基于开放卫星数据的道路自动识别的数据驱动方法。鉴于这些历史卫星数据的典型分辨率，我们观察到不同道路类型在可见性上存在固有差异。基于该观察，我们提出两个深度学习框架，通过将道路检测形式化为有序分类任务来扩展最先进的深度学习方法。与相关工作不同，其中一模型还利用了可能受缺失数据与云遮挡影响的卫星时间序列数据。考虑这些时间序列数据消除了手动筛选高质量图像块数据集的需要，大幅简化了此类模型在全球尺度的应用。我们在基于Sentinel~2卫星影像与OpenStreetMap矢量数据的数据集上评估了我们的方法。结果表明，所提模型能成功识别大型与中型道路。我们还讨论了在全球尺度上检测道路及其他基础设施的机遇与挑战。