基于神经网络的时间空间地表覆盖地图绘制方法,使用卫星图像绘制图

科学领域:

• 遥感 遥感 遥感 遥感
• 地理空间分析的研究.
• 机器学习 机器学习

背景情况:

• 准确的土地覆盖分类对于环境监测和空间建模至关重要.
• 基于对象的方法已经推进了卫星图像的分类,但时空分析仍然具有挑战性.
• 多光谱卫星图像为了解土地覆盖动态提供了丰富的数据.

研究的目的:

• 引入一种使用图形神经网络 (GNN) 的基于对象的土地覆盖分类的新型时空空间方法.
• 将连续的卫星图像表示为定向图,连接细分区域随着时间的推移.
• 评估该方法的性能与月间土地覆盖面绘制的最先进模型相比.

主要方法:

• 使用模块化管道与卷积神经网络 (CNN) 进行特征提取 (EfficientNetV2-S) 和GNN (GraphSAGE与LSTM聚合) 进行节点分类.
• 代表时间序列卫星图像作为指向图,其中节点是细分的陆地区域,边缘代表时间连接.
• 将该方法应用于Sentinel-2 L2A图像,用于奥地利和斯洛文尼亚的四年间月度土地覆盖分类.

主要成果:

• 拟议的GNN方法在土地覆盖分类准确性和F1评分方面优于格拉茨地区 (第二级) 的UNet模型.
• 在两个研究区域的1级分类 (较少的类别) 中,在UNet上取得了优异的表现.
• 对于个别类别的高分类准确度,达到高达99.17%.

结论:

• 新的时空GNN方法在基于卫星图像的基于对象的土地覆盖分类方面取得了重大进展.
• 图形表示有效地捕捉了土地覆盖面随时间的变化,从而提高了分类准确性.
• 这种方法提供了一个强大的工具,用于为各种地理区域生成详细的,每月一次的土地覆盖地图.