通过堆叠自编码器与聚类进行地质填图的遥感框架
机器学习
2024-09-24 v4 人工智能
摘要
基于遥感进行地质填图的监督机器学习方法因缺乏准确标注的训练数据而面临局限性，这可以通过无监督学习（如降维和聚类）来解决。降维方法在提高地质图精度方面具有发挥关键作用的潜力。尽管传统的降维方法可能难以处理非线性数据，但自编码器等无监督深度学习模型能够对非线性关系进行建模。堆叠自编码器具有多个相互连接的层，能够捕获对遥感数据有用的层次化数据表示。我们提出了一种基于无监督机器学习的遥感数据处理框架，使用堆叠自编码器进行降维，并使用 k-means 聚类进行地质单元填图。我们使用 Landsat 8、ASTER 和 Sentinel-2 数据集，评估了该框架在澳大利亚新南威尔士州西部 Mutawintji 地区的地质填图效果。我们还将堆叠自编码器与主成分分析（PCA）和规范自编码器进行了比较。结果表明，该框架生成准确且可解释的地质图，能够有效区分岩石单元。结果显示，与其他组合相比，堆叠自编码器与 Sentinel-2 数据的结合产生了最佳的性能精度。我们发现，与规范自编码器和 PCA 相比，堆叠自编码器能够更好地提取输入数据的复杂层次化表示。我们还发现，生成的地图与研究区域先前的地质知识相吻合，同时为地质结构提供了新的见解。
关键词
引用
@article{arxiv.2404.02180,
title = {Remote sensing framework for geological mapping via stacked autoencoders and clustering},
author = {Sandeep Nagar and Ehsan Farahbakhsh and Joseph Awange and Rohitash Chandra},
journal= {arXiv preprint arXiv:2404.02180},
year = {2024}
}