从使用深度学习的空中图像对建筑物,森林,水和道路进行高效的地理空间绘制

科学领域:

• 计算机科学 计算机科学
• 遥感 遥感 遥感 遥感
• 地理空间分析是什么

背景情况:

• 空中影像产生了大量的数据集,需要对土地覆盖信息进行高效的分析.
• 手动图像分析对于大量的地理数据是耗时且不切实际的.

研究的目的:

• 开发和评估深度学习方法,以准确,快速,像素对像素地表覆盖的分类在空中图像.
• 为了应对耗时手动分析地理数据的挑战.

主要方法:

• 应用了数据增强和转换技术.
• 选择了三个深度学习模型并进行了实验:Vanilla-UNet,ResNet50 UNet和DeepLabV3 ResNet50.
• 用于土地覆盖面分析,进行了像素对像素的分类.

主要成果:

• 深度实验室V3 ResNet50 模型以 94.77% 的准确率达到最高,其次是 ResNet50 UNet (94.37%) 和 Vanilla-UNet (91.31%).
• 与瓦尼拉-UNet相比,DeepLabV3 ResNet50和ResNet50 UNet的准确性,精度,回忆和F1分数都表现出更高的准确性和精度.
• 提出的深度学习方法在所有类别的概率预测得分上都超过了传统的UNet模型.

结论:

• 深度学习,特别是像DeepLabV3 ResNet50这样的模型,为空中图像中的土地覆盖分类提供了精确有效的解决方案.
• 开发的方法显著推进了对地理数据的自动化分析,改进了现有的技术.