美国基于深度学习的细分辨率建成区数据空间显式精度评估
物理与社会
2023-09-01 v1
摘要
由机器学习方法从遥感数据衍生的地理空间数据集常基于抽象的概率输出，难以转化为可解释度量。例如，全球人类居住层 GHS-BUILT-S2 产品给出了2018年全球 10 m x 10 m 网格中建成区存在的概率。然而，从业者通常需要可解释度量，如指示建成区存在与否的二值表面，或子像元建成区表面比例的估计。在此，我们评估了美国若干地区 GHS-BUILT-S2 中建成区概率与源自高可靠性参考数据库的参考建成区表面比例之间的关系。此外，我们利用一致性最大化方法确定二值化阈值，由这些建成区概率生成二值建成区数据。这些二值表面被输入一项空间显式、尺度敏感的精度评估，其中包含一种我们称之为焦点精确率—召回率特征曲线图（focal precision-recall signature plots）的新型可视化分析工具。分析表明，对 GHS-BUILT-S2 施加 0.5 阈值可最大化与参考建成区比例二值化数据的一致性。我们发现衍生建成区具有较高精度（即县级 F-1 分数平均近 0.8），且在研究区城乡梯度上精度持续较高。相较于早期基于 Landsat 的全球人类居住层版本，这些结果揭示了基于 Sentinel-2 数据与深度学习的居住模型在城乡区域均实现显著精度提升。
引用
@article{arxiv.2303.00841,
title = {Spatially explicit accuracy assessment of deep learning-based, fine-resolution built-up land data in the United States},
author = {Johannes H. Uhl and Stefan Leyk},
journal= {arXiv preprint arXiv:2303.00841},
year = {2023}
}