结合循环与残差学习的多时相 SAR 图像森林砍伐监测
机器学习
2024-12-23 v4
摘要
亚马逊雨林面积广阔,超过西欧两倍,是地球最大森林,对全球气候调节至关重要。然而,该地区基于遥感数据的森林砍伐检测是一关键挑战,常受全年大部分时间遮蔽光学卫星数据的持久云层所碍。针对此需求,本文提出三种专为森林砍伐监测设计的深度学习模型,利用不受大气条件影响的 SAR(合成孔径雷达)多时相数据。具体而言,研究提出三种新颖的循环全卷积网络架构——即 RRCNN-1、RRCNN-2 与 RRCNN-3,旨在提升森林砍伐检测精度。此外,受 deforestation 迹象在 SAR 图像中随时间快速消退的假设驱动,本研究探索以多时相 SAR 序列替代双时相。使用巴西雨林样本点的 Sentinel-1 多时相序列对所提方法进行了全面评估。实验分析证实,分析观测期内的 SAR 图像序列可揭示图像对中不可检测的砍伐点。值得注意的是,实验结果凸显了多时相方法的优越性,在所有测试网络架构上 F1-Score 约提升百分之五。尤其 RRCNN-1 取得最高精度,且处理时间仅为最接近对手的一半。
引用
@article{arxiv.2310.05696,
title = {Little is Enough: Boosting Privacy by Sharing Only Hard Labels in Federated Semi-Supervised Learning},
author = {Amr Abourayya and Jens Kleesiek and Kanishka Rao and Erman Ayday and Bharat Rao and Geoff Webb and Michael Kamp},
journal= {arXiv preprint arXiv:2310.05696},
year = {2024}
}