在低海拔TIR传感图像中对底层表面进行优化实例细分,以增强LST计算
Yafei Wu1,2, Chao He1,2, Yao Shan1,2
1The Key Laboratory of Road and Traffic Engineering, Ministry of Education, Tongji University, Shanghai 201804, China.
Sensors (Basel, Switzerland)
|May 11, 2024
概括
这项研究引入了一种深度学习方法,用于在热红外图像中对底层表面进行细分,从而改进了陆地表面温度计算. 新的方法准确地识别了表面类型,这对于精确的LST分析至关重要.
科学领域:
- 遥感 遥感 遥感 遥感
- 地理空间分析的研究.
- 人工智能的人工智能
背景情况:
- 准确的陆地表面温度 (LST) 计算需要在热红外 (TIR) 图像中精确识别底层表面.
- 现有的方法在低海拔TIR图像中难以有效地对各种底层表面进行细分.
研究的目的:
- 开发和验证深度学习 (DL) 方法,例如在低海拔TIR图像中对底层表面进行细分和定量.
- 通过改进表面类型分类来提高LST计算的准确性.
主要方法:
- 利用面具基于区域的卷积神经网络 (面具R-CNN) 进行像素级分类和细分.
- 在一个城市铁路运输枢纽的1350张注释的TIR图像数据集上训练了DL模型.
- 优化模型超参数和架构,用于精确的底层表面分类.
主要成果:
- 生成了底层表面的高质量细分面罩,并准确量化了实例面积.
- 在150张新的TIR图像上验证了优化的DL算法,比其他方法表现出更高的性能.
- 实现了底层表面的精确分类,这对于准确的LST确定至关重要.
结论:
- 拟议的DL方法有效地解决了在低海拔TIR图像中细分底层表面的挑战.
- 这项研究通过提供可靠的表面量化,显著提高了LSTs的准确计算.
- 这些发现支持改进城市热环境监测和分析.
