基于深度学习的多光谱、 hyperspectral 和高空间空中图像的语义分割评估用于土地覆盖映射
摘要
随着气候变化的推进，土地覆盖映射在环境监测中变得至关紧急。土地覆盖分类的准确性正在不断提高，主要得益于遥感数据的改进。土地覆盖分类使用卫星图像的研究近年来日益普及，但方法仍存在主观和耗时的局限性。一些深度学习技术被用于克服这些限制。然而，大多数研究仅针对单一图像类型来评估土地覆盖映射的算法。因此，我们的研究在多光谱、 hyperspectral 和高空间空中图像数据集上进行深度学习语义分割，用于土地覆盖映射。本研究实现了一种语义分割方法，如 Unet、Linknet、FPN 和 PSPnet，用于对 vegetation、water 和 others(即 soil 和 impervious surface)进行分类。LinkNet 模型在所有数据集上的 IoU(交并比)达到 0.92，相当于其他提到的方法。在不同图像类型的评估中，多光谱图像的 IoU 和 F1-score 分别为 0.993 和 0.997，表现更佳。我们的结果突显了 LinkNet 和多光谱图像在土地覆盖分类中的效率和广泛适用性。该研究为通过开源方式实现土地覆盖分割，为未来长期应用奠定了基础。
引用
@article{arxiv.2406.14220,
title = {Evaluation of Deep Learning Semantic Segmentation for Land Cover Mapping on Multispectral, Hyperspectral and High Spatial Aerial Imagery},
author = {Ilham Adi Panuntun and Ying-Nong Chen and Ilham Jamaluddin and Thi Linh Chi Tran},
journal= {arXiv preprint arXiv:2406.14220},
year = {2024}
}
备注
conference, This preprint is based on the following published conference article: Panuntun, I. A., Chen, Y.-N., Jamaluddin, I., & Tran, T. L. C., 2023. Evaluation of Deep Learning Semantic Segmentation for Land Cover Mapping on Multispectral, Hyperspectral and High Spatial Aerial Imagery. 44th Asian Conference on Remote Sensing, ACRS 2023. Code 198676