遥感土地利用和土地覆盖分割方法的比较-计算机科学-机器学习-城市规划-政策制定.pdfVIP

遥感土地利用和土地覆盖分割方法的比较

NamanSrivastava,JoelDJoy,YashDixit,SwarupE,RakshitRamesh

CenterofDataforPublicGood

IndianInstituteofScience,Bengaluru

摘要动标注既耗时又劳力密集。为解决这一挑战，使用深

本度学习技术如目标检测和图像分割来自动化并增强

译土地利用和土地覆盖（LULC）制图对于城市和地理空间数据分析。在这些任务中，土地利用和覆盖

中资源规划至关重要，是发展智能和可持续城市的关键（LULC）制图获得了重要性，使政府和组织能够监控

要素之一。本研究评估了先进的LULC制图技术，重资源、评估环境变化和发展知情政策。深度学习算法

1

v点介绍了应用于Cartosat多光谱（MX）传感器图像可以提高LULC制图的准确性和效率，为可持续发展

9的查找表（LUT）为基础的大气校正方法，并随后使和资源管理做出贡献。然而，在使用多光谱图像进行

9

0用监督学习和半监督学习模型进行LULC预测。我们深度学习应用之前需要处理某些问题。原始多光谱图

8探索了DeeplabV3+和交叉伪标签监督（CPS）。CPS像通常以大气顶部（TOA）数字数（DN）值捕捉，并

1

7.模型进一步通过动态加权进行了优化，提高了训练过受到由气溶胶、水汽和臭氧引起的散射和吸收等大气

0程中伪标签的可靠性。这种综合方法分析了各种城市效应的影响，这些效应会污染来自大气底部（BOA）

5

2规划应用中LULC制图技术的准确性和实用性。印度表面的信号[28]。为了在深度学习应用中准确表征地

:海得拉巴的一个案例研究表明，由于快速城市化导致表，纠正这些大气干扰至关重要。因此，将TOADN

v

i的土地利用变化显著。通过对CartosatMX图像随时值转换为BOA反射率以确保分析就绪数据（ARD）

x

r间的分析，我们突出了诸如城市扩张、绿地缩减和工并提高预测准确性通过大气校正（AC）是关键的[8]。

a

业区扩展等转变。这证明了这些技术对于城市规划者在用于土地使用和覆盖（LULC）预测的深度学习模

和政策制定者的实际应用价值。型中，语义分割扮演着至关重要的角色，U-Net和

DeepLabv3+等架构被广泛采用。U-Net最初为生物

1介绍医学图像分割设计[24]，其特点是具有编码器解码

器结构和残差连接的U形架构。这种设计对于需要

高分辨率卫星多光谱图像在过去二十年间已在精确特征定位的任务非常有效[14,23,29]。相比之

多个领域出现，包括国防、资源管理、环境分析和城下，由GoogleDeepMind开发的DeepLabv3+利用

市规划。这些图像因其精细的空间分辨率覆盖范围及空洞卷积来扩大视野，捕捉多尺度上下文信息。这

传感器视野（FoV）覆盖广泛区域而被视为理解与管使得它特别擅长识别各种土地类型，如城市区域、森

理地球表面的绝佳替代方案，取代了基于现场采样林、水域和农地[3,9,14]。半监督分割在遥感中被广

的方法（[17]）。然而，对这类图像进行特定任务的手泛探索，包括一致性正则化和技术迭代训练等技术

1

[35,38,34,25,18,39]。另一种流行的半监督学习方2方法论

法是交叉伪监督（CPS），通过交叉监督使两个网络之

间的一致性得到改进，从而提