利用深度学习与卫星影像进行收购后土地覆盖制图
计算机视觉与模式识别
2024-08-14 v1 计算机与社会
摘要
洪水、飓风、野火等环境灾害日益威胁全球社区，促使人们采取多种减灾策略。其中，房产收购已成为降低未来灾害脆弱性的重要手段。该策略涉及政府从自愿出售者手中购买高风险房产，并将土地转为开放空间，以期减少未来的灾害风险与影响。然而，这些收购的后续影响，尤其是土地利用模式与社区影响，仍未得到充分探索。本研究旨在通过采用卫星影像分析与深度学习等创新技术来填补这一空白。为实现此目标，我们使用了 FEMA 减灾拨款计划（HMGP）的收购数据集，该数据集涵盖 1989 年至 2017 年间 41,004 处收购房产的地址。借助 Google Maps Static API，我们收集了与这些收购土地对应的 40,053 张卫星影像。随后，我们实施了五种前沿机器学习模型，以评估其在土地覆盖类型分类中的性能。值得注意的是，该任务涉及多类分类，我们的模型取得了 98.86% 的优异 ROC-AUC 分数。
引用
@article{arxiv.2401.07500,
title = {Harnessing Deep Learning and Satellite Imagery for Post-Buyout Land Cover Mapping},
author = {Hakan T. Otal and Elyse Zavar and Sherri B. Binder and Alex Greer and M. Abdullah Canbaz},
journal= {arXiv preprint arXiv:2401.07500},
year = {2024}
}