使用深度学习模型和无人机数据对潮平面的表面沉积物进行分类

科学领域:

• 地质科学 地质科学
• 遥感 遥感 遥感 遥感
• 人工智能的人工智能

背景情况:

• 表面沉积物分类对于了解沿海环境至关重要.
• 传统方法往往缺乏详细分析所需的分辨率和效率.
• 无人机 (UAV) 的高分辨率图像提供了改进分类的潜力.

研究的目的:

• 为了评估深度学习模型U-Net对表面沉积物分类的有效性.
• 评估不同培训参数对U-Net性能的影响.
• 将U-Net与其他基于无人机的沉积物分析分类模型进行比较.

主要方法:

• 开发和培训U-Net深度学习模型.
• 从Hwangdo潮平原获得高分辨率的无人机图像和地面真实标记数据.
• 使用不同沉积物分类标准,输入数据集和替代分类模型比较U-Net性能.

主要成果:

• 用5个沉积物类训练的U-Net模型实现了65.6%的整体准确性.
• 纳入所有输入数据集,特别是潮通道密度,显著提高了分类准确性.
• 与其他分类模型相比,U-Net模型的准确性大约高出20%.

结论:

• 使用无人机图像的基于深度学习的表面沉积物分类是非常有效的.
• 该U-Net模型显示,对于详细和准确的沿海环境分析,有显著的前景.
• 优化输入数据和分类标准可以进一步提高模型性能.