JAXA的越南新的高分辨率土地使用地覆盖地图使用时间特征卷积神经网络

科学领域:

• 遥感 遥感 遥感 遥感
• 地理空间分析的研究.
• 人工智能在地球观测中的作用

背景情况:

• 土地使用 土地覆盖面 (LULC) 地图对于环境管理和科学研究至关重要.
• 高分辨率的LULC数据对于详细分析至关重要,特别是在像越南这样的生物多样性地区.
• 现有的LULC地图可能缺乏复杂环境中的特定应用所需的准确性或细节性.

研究的目的:

• 为越南开发一个高分辨率和高精度的LULC地图.
• 引入和验证一个新的卷积神经网络 (CNN) 方法,在时间特征领域运行,用于LULC映射.
• 提出一种用于在热带地区生成无云多时空卫星图像的实用方法.

主要方法:

• 利用了跨时间的Sentinel-2卫星数据,涵盖了六个季节.
• 开发并应用了一个CNN模型,在时间特征域中执行卷积,与传统的地理空间域方法不同.
• 实施了一种新的方法,可以从Sentinel-2数据中创建无云复合图像,这对于持续多云的热带地区至关重要.

主要成果:

• 生成了越南的高分辨率LULC地图,整体准确率为90.5%±1.2%.
• 开发的CNN方法与越南现有的10米LULC地图相比,表现优越.
• 成功创建了无云的多时态Sentinel-2图像,在具有挑战性的热带条件下提高了数据可用性.

结论:

• 时间特征CNN方法对于创建精确的LULC地图非常有效,特别是在热带,多云的环境中.
• 这项研究提供了越南的第一个高精度LULC地图,使用这种创新的CNN方法.
• 提出的方法有助于推进LULC绘图技术和环境监测数据生成.