利用 Google Earth 图像与深度学习的半自动样本标注改进全球森林制图
计算机视觉与模式识别
2021-08-10 v1
摘要
全球森林覆盖对提供某些生态系统服务至关重要。随着 Google Earth Engine 云平台的出现，高分辨率全球土地覆盖制图任务可以在几天内完成，而不再是数年。在过去几十年中，全球森林覆盖（GFC）产品的数量一直在稳步增加。然而，由于这些产品之间存在巨大差异，用户很难选择合适的产品，而且这些 GFC 产品的精度尚未在全球尺度上得到验证。为了为用户和生产者提供指导，迫切需要在全球层面生成一个验证样本集。然而，这项标注任务耗时耗力，一直是全球土地覆盖制图进展的主要障碍。在本研究中，引入了一个节省人力的半自动框架，以构建迄今为止最大的森林样本集（FSS），其中包含 395280 个分散的样本，分为森林、灌木地、草地、不透水面等类别。另一方面，为了为用户提供指导，我们全面验证了所有现有 30m GFC 产品的局部和全局制图精度，并分析和绘制了它们的一致性。此外，为了为生产者提供指导，提出了最优采样策略以改进全球森林分类。此外，生成了一个名为 GlobeForest2020 的新全球森林覆盖产品，经证明，在不确定网格中比先前由 Gong 等人（2017）获得的最高 SOTA 精度提高了 2.77%，在确定网格中提高了 1.11%。
引用
@article{arxiv.2108.04173,
title = {Improving Global Forest Mapping by Semi-automatic Sample Labeling with Deep Learning on Google Earth Images},
author = {Qian Shi and Xiaolei Qin and Lingyu Sun and Zitao Shen and Xiaoping Liu and Xiaocong Xu and Jiaxin Tian and Rong Liu and Andrea Marinoni},
journal= {arXiv preprint arXiv:2108.04173},
year = {2021}
}