U-Net 卷积神经网络用于绘制澳大利亚东南部Landsat图像中的自然植被和森林类型的地图

科学领域:

• 遥感 遥感 遥感 遥感
• 生态生态学 生态生态学
• 计算机科学 计算机科学

背景情况:

• 准确的年度植被测绘对于理解生态变化和为土地利用规划提供信息至关重要.
• 现有的方法可能缺乏为全面的国家报告所需的准确性和可比性.

研究的目的:

• 开发和验证一个卷积神经网络 (CNN) 模型,用于准确地每年绘制自然植被和森林类型的地图.
• 对传统算法和独立的现场数据进行CNN模型的性能评估.

主要方法:

• 使用一个U-Net卷积神经网络 (CNN) 模型,在Landsat地质中介反射复合图像上进行训练.
• 采用了从区域地图获得的培训数据的十类植被分类方案.
• 输入数据包括六个Landsat地质中介带,该模型使用独立的测试区域和植被调查地块进行了验证.

主要成果:

• 美国有线电视新闻网 (CNN) 模型显著优于随机森林算法,实现了更高的整体准确性 (93% vs. 87%) 和卡帕分数 (86 vs. 74%).
• 从2000年到2019年生成的年度植被地图显示出高时间稳定性,其中76%的像素没有变化,准确度为94-97%.
• 与独立图片数据相比,CNN模型准确度 (81% OA) 超过了培训标签数据 (76%).

结论:

• 卷积神经网络 (CNN) 模型为自动化年度植被绘制提供了强大而准确的方法.
• 开发的CNN方法为生态监测和土地管理提供了必要的可靠,可比的数据.
• 建议在其他地区进一步应用该技术,以测试空间可转移性并支持国家报告要求.