使用半监督域自适应深度学习模型的城市表面分类及其在城市环境研究中的应用.
Xiaotian Ding1,2,3, Yifan Fan4,5,6, Yuguo Li7
1College of Civil Engineering and Architecture, Zhejiang University, Hangzhou, China.
Environmental science and pollution research international
|November 22, 2023
概括
本研究介绍了城市环境的域适应性土地覆盖分类模型. 该模型准确地绘制了不透气的表面,揭示了它们与中国主要城市空气温度升高的密切相关性.
科学领域:
- 环境科学 环境科学
- 遥感 遥感 遥感 遥感
- 城市规划 城市规划
背景情况:
- 高分辨率的城市表面信息对于了解当地热环境,风力模式和空气污染至关重要.
- 现有的土地覆盖分类方法往往需要大量的标记数据,这限制了它们在各种城市环境中的应用.
研究的目的:
- 开发和验证一个域自适应性土地覆盖分类模型,自动生成基于像素的土地覆盖地图从谷歌地球图像.
- 评估城市土地表面组成对当地气象参数和空气污染物度的影响.
主要方法:
- 组合领域适应 (DA) 和半监督学习 (SSL) 技术.
- 训练模型使用Gaofen2 (GF2) 卫星图像有限的数据集来分类谷歌地球图像.
- 北京,上海和大湾区 (GBA) 的土地覆盖面地图.
主要成果:
- 该模型显著提高了分类准确性,在翻译的GF2数据上达到75.2%,在谷歌地球数据上达到61.5%.
- 空气温度显示了强烈的正相关性 (皮尔森的r>0.6) 与在研究区域的人工不透表面.
- 空气污染物和陆地表面组成之间的相关性较弱,变化更大.
结论:
- 开发的模型提供了一种有效的城市土地覆盖提取方法,对城市表面组成评估有价值.
- 这些发现突出了不透气表面对城市空气温度的重大影响.
- 该研究支持知情的城市规划和关于土地利用和环境影响的政策制定.
