基于简单卷积神经网络绘制精细尺度复杂城市形态的土地利用/土地覆盖分类方法：来自孟买的证据
计算机与社会
2020-05-04 v2
摘要
卫星影像分类任务是空间知识发现的基础。多种图像分类方法被用于创建标准化的土地利用与土地覆盖（LULC）图，以促进对空间与生态过程及人类活动的研究。局地气候分区（LCZ）分类图是标准化地图的一个范例，被广泛用于划定城市中建成与自然特征的一致性。LCZ 分类方案主要关注城市气候相关研究，其中在城市区域内以 100-150m 空间分辨率绘制 17 个气候分区。每个分区展现出与城市形态及热行为研究所需功能相关的物理属性。将这一广泛采用的方法扩展至利用 LCZ 制图方案在更精细分辨率下创建 LULC 图，将惠及城市规划、交通与水资源管理等关联领域。本研究提出一种新方案，利用 10 波段 Sentinel-2B 数据集与卷积神经网络（CNN）在 10m 空间分辨率下生成分类图。该分类得益于 CNN 在图像数据集中保留局部结构的特性。所提出的 CNN 模型优于传统机器学习模型，如人工神经网络、随机森林与支持向量机。在 14 个城乡类别上训练的 CNN 模型总体精度与 kappa 系数分别为 82% 与 0.81。本研究还讨论了该模型在变化检测、贫民窟识别以及城市聚落中透水/不透水层制图等专业遥感任务中的效用，其具有更高精度。
引用
@article{arxiv.1909.09774,
title = {LULC classification methodology based on simple Convolutional Neural Network to map complex urban forms at finer scale: Evidence from Mumbai},
author = {Deepank Verma and Arnab Jana},
journal= {arXiv preprint arXiv:1909.09774},
year = {2020}
}
备注
28 pages, 9 figures