基于深度适应的卷积神经网络的湿地分类,使用叶子脱落SAR图像.
Xin Zhang1, Ling Du2, Shen Tan3
1Department of Computing and Mathematics, Manchester Metropolitan University, Manchester M1 5GD, UK.
The Science of the total environment
|November 30, 2024
概括
一个新的深度学习模型使用Sentinel-1雷达数据和辅助信息准确地绘制湿地地图. 这种方法提高了分类准确性,并降低了大规模湿地测绘的计算成本.
科学领域:
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
- 湿地生态学湿地生态学
背景情况:
- 深度学习 (DL) 显示了利用光学数据对湿地分类的前景.
- 使用DL使用雷达数据对大规模湿地进行分类需要进一步评估.
- 卫星1号的合成孔径雷达 (SAR) 对湿地绘图的光学数据具有潜在的优势.
研究的目的:
- 开发和评估一个端到端深度适应的卷积神经网络 (CNN),用于大规模的湿地测绘.
- 评估结合多地覆盖的近距离信息和SAR拒绝技术的有效性.
- 为了优化模型复杂性和湿地分类准确性之间的平衡.
主要方法:
- 开发了一个基于U-Net架构的深度适应性CNN,用于湿地分类.
- 利用时间序列的Sentinel-1 SAR图像和辅助数据.
- 调查了多地覆盖的邻近性和基于CNN的SAR报道的影响.
主要成果:
- 拟议的DL方法实现了高精度 (OA=0.93,MIoU=0.60),超过了传统的随机森林 (RF) 方法 (OA=0.89,MIoU=0.18).
- 与其他最先进的CNN相比,DL方法显示了较低的计算成本,而不会牺牲准确性.
- 结合近距离信息和SAR,提高了分类准确性,特别是在森林湿地.
结论:
- 新的DL方法通过整合已删除的SAR图像和辅助数据,有效地对湿地进行分类.
- 这种方法为在大型空间尺度上操作湿地绘制提供了有价值的工具.
- 这些发现强调了将DL和雷达数据结合用于环境监测的潜力.
