利用卫星影像数据集与机器学习数据模型评估欠发达区域基础设施变化
计算机视觉与模式识别
2020-09-02 v1
摘要
在全球化经济世界中，理解地球发展中地区基础设施与建设工程背后的目的已变得十分重要。当此类项目的融资必须来自外部来源时（正如非洲大陆大部分地区所发生的那样），这一点尤为关键。在对这些地区进行影像分析时，地面与航空覆盖要么不存在，要么不常获取。然而，大量商业、私人与政府卫星的影像已产生具有全球覆盖的庞大数据集，汇集了可利用机器学习算法与神经网络挖掘和处理的地理空间资源。其弊端在于，这些地理空间数据资源大多处于技术停滞状态，因为在获取卫星影像数据时难以快速解析并确定请求与处理的方案。本研究的一个目标是实现对铁路等大规模基础设施项目的自动监测，以确定可靠指标来定义和预测建设工程可能采取的方向，从而通过收窄且有针对性的卫星影像请求进行定向监测。通过对可用卫星数据运用摄影测量技术创建 3D 网格与数字表面模型（DSM），我们希望有效预测运输路线。通过预测建模理解大规模运输基础设施的潜在走向，便能更轻松地追踪、理解并监测进展，尤其在影像覆盖有限的地区。
引用
@article{arxiv.2009.00185,
title = {Utilizing Satellite Imagery Datasets and Machine Learning Data Models to Evaluate Infrastructure Change in Undeveloped Regions},
author = {Kyle McCullough and Andrew Feng and Meida Chen and Ryan McAlinden},
journal= {arXiv preprint arXiv:2009.00185},
year = {2020}
}