基于图卷积网络的邻域感知非正式居住区制图
机器学习
2025-10-01 v1 计算机视觉与模式识别
摘要
绘制非正式居住区地图对于应对快速发展的城市中的城市规划、公共卫生和基础设施等挑战至关重要。地理空间机器学习已成为从遥感数据中检测和绘制这些区域的关键工具。然而，现有方法通常独立处理空间单元，忽略了城市结构的关联性。我们提出了一个基于图的框架，将局部地理上下文显式地纳入分类过程。每个空间单元（像元）与其相邻单元一起嵌入图结构中，并训练一个轻量级的图卷积网络（GCN）来分类中心像元是否属于非正式居住区。实验在里约热内卢的一个案例研究上进行，使用跨五个不同区域的交叉验证，确保了在异质城市景观中的稳健性和泛化能力。我们的方法优于标准基线，将 Kappa 系数比单个像元分类提高了 17 个百分点。我们还表明，基于图的建模优于简单的相邻像元特征拼接，证明了编码空间结构对于城市场景理解的优势。
引用
@article{arxiv.2509.26171,
title = {Neighbor-aware informal settlement mapping with graph convolutional networks},
author = {Thomas Hallopeau and Joris Guérin and Laurent Demagistri and Christovam Barcellos and Nadine Dessay},
journal= {arXiv preprint arXiv:2509.26171},
year = {2025}
}
备注
10 pages, 3 figures, 2 tables. Accepted at the ECML PKDD 2025 Workshop on Machine Learning for Earth Observation