基于新型轻量卷积网络与真实多光谱及地形数据的Jalisco多类土地覆盖分析与分类
计算机视觉与模式识别
2022-01-27 v1 人工智能
摘要
对全球气候变化、农业韧性和森林砍伐控制的认知依赖于对土地利用与土地覆盖变化（LULCC）的及时观测。近来，一些深度学习（DL）方法已被改造用于对全球同质数据进行土地覆盖（LC）自动分类。然而，这些DL模型大多不能有效应用于真实世界数据，即大量类别、多季节数据、多样气候区域、高度不平衡标签数据集和低空间分辨率。本工作中，我们提出新颖的轻量卷积神经网络（ConvNet，仅89k参数）来进行LC分类与分析，以处理Jalisco地区的这些问题。与全局方法不同，区域数据提供了政策制定者规划土地利用与管理、保护区或生态系统服务所需的情境特异性。本工作中，我们结合三个真实世界开放数据源以获得13个通道。我们的嵌入式分析预见到某些类别的有限性能，并使我们有机会将最相似的类别进行合并，结果测试准确率从73%提升至83%。我们希望本研究能帮助其他数据来源或计算资源有限的区域团体实现联合国可持续发展目标（SDG）中有关陆地生命的指标。
引用
@article{arxiv.2201.10985,
title = {Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data},
author = {Alexander Quevedo and Abraham Sánchez and Raul Nancláres and Diana P. Montoya and Juan Pacho and Jorge Martínez and E. Ulises Moya-Sánchez},
journal= {arXiv preprint arXiv:2201.10985},
year = {2022}
}
备注
12 pages