MineSegSAT：基于 Sentinel-2 影像评估采矿扰动区范围的自动化系统
计算机视觉与模式识别
2023-11-06 v1 人工智能
图像与视频处理
摘要
评估采矿产业的环境影响在理解和缓解采掘活动的生态后果方面起着关键作用。本文提出MineSegSAT，一种利用在Sentinel-2数据上训练的SegFormer深度学习分割架构来预测采矿场地受环境影响区域的新模型。数据收集自2021年加拿大西部互不重叠的区域，包含由2021年高分辨率卫星影像识别出的受采矿活动环境影响土地。SegFormer架构作为最先进的语义分割框架，被用于发挥其先进的空间理解能力以进行准确的土地覆盖分类。我们分别研究了Dice、Tversky和Lovasz损失函数的有效性。训练后的模型在次年测试区域上进行推理，以识别同期这些区域的潜在扩张或收缩。Sentinel-2数据通过Earth Daily Analytics的合作在Amazon Web Services上提供，后者在AWS平台上提供校正并分块的分析就绪数据。该模型及访问AWS上数据的持续API允许创建一个自动化工具，以监测已知采矿场地周边扰动区的范围，确保其符合环境影响目标。
引用
@article{arxiv.2311.01676,
title = {MineSegSAT: An automated system to evaluate mining disturbed area extents from Sentinel-2 imagery},
author = {Ezra MacDonald and Derek Jacoby and Yvonne Coady},
journal= {arXiv preprint arXiv:2311.01676},
year = {2023}
}