利用 1985 至 2018 年 Landsat 时间序列语义分割方案绘制丹麦水平与垂直城市致密化图
图像与视频处理
2020-09-22 v2
摘要
Landsat 影像是一种无与伦比的免费可用数据源，可重建水平与垂直城市形态。本文应对使用 Landsat 数据（尤其是其 30m 空间分辨率）监测三维城市致密化的挑战。我们比较一个改进的 DeepLab 模型与一个简单全卷积网络（FCN）以及一个基于纹理的随机森林（RF）模型在时间和空间可迁移性上的表现，以绘制两个形态维度上的城市密度：水平（紧凑、开放、稀疏）与垂直（高层、低层）。我们测试一个在 2014 年数据上训练的模型是否能应用于丹麦的 2006 和 1995 年，并考察我们能否使用在丹麦数据上训练的模型精确绘制其他欧洲城市。我们的结果显示，深度网络的实现以及多尺度上下文信息的纳入极大改善了分类及模型跨时空泛化的能力。当有充足训练数据时，DeepLab 比 FCN 提供更准确的水平与垂直分类。通过使用 DeepLab，相比 FCN 和 RF，检测丹麦垂直城市增长的 F1 分数可分别提高 4 和 10 个百分点。对于用丹麦训练数据绘制其他欧洲城市，DeepLab 在两个维度上也显示出比 RF 高 6 个百分点的优势。所得 1985 至 2018 年间的地图揭示了丹麦两座最大城市哥本哈根与奥胡斯之间不同的城市增长模式，说明这些城市在应对人口增长与住房供应挑战时使用了不同的规划政策。总之，我们提出了一种可迁移的深度学习方法，用于从 Landsat 影像自动、长期绘制城市形态。
引用
@article{arxiv.2009.06992,
title = {Mapping horizontal and vertical urban densification in Denmark with Landsat time-series from 1985 to 2018: a semantic segmentation solution},
author = {Tzu-Hsin Karen Chen and Chunping Qiu and Michael Schmitt and Xiao Xiang Zhu and Clive E. Sabel and Alexander V. Prishchepov},
journal= {arXiv preprint arXiv:2009.06992},
year = {2020}
}
备注
Accepted manuscript including appendix (supplementary file)