利用卷积神经网络与卷积去噪自编码器增强土地利用变化建模
应用统计
2018-03-06 v1 计算机视觉与模式识别
摘要
邻域效应是土地利用变化（LUC）过程的关键驱动因素。本研究应用卷积神经网络（CNN）从卫星图像中捕捉邻域特征并提升 LUC 建模性能。我们开发了一种混合 CNN 模型（conv-net），通过结合卫星图像与地理特征来预测土地利用转移概率。设计了一个空间权重层，将邻域效应的距离衰减特征纳入 conv-net。作为替代模型，我们还开发了混合卷积去噪自编码器与多层感知机模型（CDAE-net），其专门从卫星图像中学习潜在表示并对图像数据去噪。最后，基于 DINAMICA 的元胞自动机（CA）模型模拟了土地利用格局。结果表明，与仅接受地理特征的模型相比，基于卷积的模型改善了建模性能。总体而言，conv-net 在 LUC 预测性能上优于 CDAE-net。不过，当数据含噪时 CDAE-net 表现更好。
引用
@article{arxiv.1803.01159,
title = {Enhancement of land-use change modeling using convolutional neural networks and convolutional denoising autoencoders},
author = {Guodong Du and Liang Yuan and Kong Joo Shin and Shunsuke Managi},
journal= {arXiv preprint arXiv:1803.01159},
year = {2018}
}
备注
26 pages, 8 tables, 6 figures