相关实验视频
Updated: Jun 22, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.3K
使用深度学习组合网络的多年Sentinel-2图像进行土地利用分类
J Jagannathan1, M Thanjai Vadivel2, C Divya3
1School of Computer Science Engineering and Information Systems, Vellore Institute of Technology, Vellore, Tamil Nadu, India. jagannathan.j@vit.ac.in.
Scientific reports
|August 8, 2025
概括
本研究介绍了IRUNet,这是一个深度学习模型,用于使用Sentinel-2卫星数据准确的多年土地使用分类. IRUNet实现了高精度,优于其他城市规划和环境监测模型.
科学领域:
- 遥感 遥感 遥感 遥感
- 地理空间分析是什么
- 人工智能的人工智能
背景情况:
- 准确的土地使用分类对于城市规划,环境监测和农业至关重要.
- 哨兵-2卫星图像为土地覆盖面分析提供了有价值的空间和光谱数据.
- 在多年分类任务中,现有的方法可能缺乏稳定性.
研究的目的:
- 开发和评估一个新的深度学习整体网络,IRUNet,用于多年土地使用分类.
- 为了提高分类准确性和稳定性,使用Sentinel-2图像.
- 为土地利用绘制提供一个可通用的框架.
主要方法:
- 将InceptionResNetV2与UNet框架集成,以创建IRUNet.
- 应用多尺度特征融合以改善数据表示.
- 利用测试时间增长 (TTA) 来提高预测的稳定性.
- 卡特帕迪地区 (2017-2024) 的Sentinel-2多年图像的分类.
主要成果:
- IRUNet获得了98.21%的高精度和88.96%的子相似系数 (DSC).
- 与UNet,ResUNet和Attention-UNet相比,该模型表现出更高的性能.
- 精度 (94.71%) 和回忆 (89.19%) 的指标进一步验证了该模型的有效性.
- 该研究报告了其他指标,包括F1分数和卡帕系数.
结论:
- IRUNet为多年土地使用分类提供了一个高性能和可泛化的深度学习框架.
- 拟议的方法有效地利用Sentinel-2数据进行详细的土地覆盖地图绘制.
- 这些发现支持IRUNet在城市规划和环境管理中的应用.
