Jan, 2024

土地利用与土地覆盖的深度自回归建模

PDF
TL;DR土地利用 / 土地覆盖（LULC）建模是一项具有挑战性的任务，由于地理特征之间的长程依赖性和与地形、生态和人类发展相关的明显空间模式。我们发现土地利用空间模式建模与计算机视觉中的图像修复任务之间存在密切联系，并对一种修改后的 PixelCNN 架构进行了研究，其参数约为 1900 万个，用于 LULC 建模。与基准空间统计模型相比，我们发现前者能够捕捉到更丰富的空间相关模式，如道路和水体，但无法产生校准的预测分布，表明需要进行额外的调整。我们发现在补丁计数和邻接等重要的生态相关土地利用统计方面存在预测下离散性的证据，可以通过操作采样变异性在一定程度上改善。
land use / land cover modelinglulcpixelcnn architecturespatial correlation patternsecologically-relevant land use statistics
发现论文，激发创造
  • 自监督的土地覆盖分割方法

    通过自我监督方法和深度学习，在没有高质量地面真实标签的情况下，可实现对高分辨率土地利用 / 土地覆盖变化图的自动标注，准确率达到约 52%。

    Oct, 2023

  • 使用 EuroSAT 和迁移学习进行土地利用和土地覆盖（LULC）的映射

    全球人口不断增长，对自然资源的需求也在增加。遗憾的是，人类活动占到了 23% 的温室气体排放。幸运的是，遥感技术已经成为管理我们的环境的有价值的工具。这些技术使我们能够监测土地利用，规划城市区域，并推动农业、气候变化缓解、灾难恢复和环境监测等领域的进展。通过利用迁移学习和细调 RGB 波段，我们在土地利用分析方面取得了令人印象深刻的 99.19% 准确度。这样的研究结果可以用来制定保护和城市规划政策。

    Nov, 2023

  • 一种新型轻量级卷积神经网络的实用多光谱和地形数据在华利斯科的多类土地覆盖分析和分类

    通过应用轻量级卷积神经网络，将多源数据进行分类与分析，可以更有效地实现局部土地利用管理和生态系统保护，促进可持续发展目标的实现。

    Jan, 2022

  • 通过特征解耦和对比学习来提升土地覆盖分类中的跨年数据再利用

    基于最新的域自适应和泛化进展，我们提出了一种深度学习框架 (REFeD) 来结合来自两个不同领域的遥感和参考数据 (例如历史数据和新数据)，以改善当前的土地覆盖映射过程。实验评估结果表明，来自相同 (或类似) 研究地点的不同时间段的年度外信息可以成为增强土地覆盖映射过程的宝贵附加信息源。

    Apr, 2024

  • 预处理训练数据提高卷积神经网络基于景观语义分割的准确性和泛化能力

    本文利用不同的数据预处理方法，包括 CNN 培训、语义分割和数据增强等方法，对昆士兰州的湿热热带和阿瑟顿高原进行了土地利用覆盖特征的分类，并发现使用数据增强和缩放是创建可用于不同日期和传感器图像的通用模型的关键。

    Apr, 2023

  • 利用深度学习技术进行土地利用和土地覆盖分类

    通过使用深度卷积神经网络分类空间分辨率非常高（VHR）、正射成像的可见光多光谱图像，本论文探索了自动土地利用 / 土地覆盖（LULC）分类的潜力

    May, 2019

  • 利用卷积网络和卫星图像在大范围内识别城市环境模式

    利用遥感技术和深度卷积神经网络，分析大规模卫星图像数据中的城市土地利用模式，并提供数据集以供遥感应用的机器学习研究人员使用。

    Apr, 2017

  • 土地覆盖图像分类

    这篇论文通过比较卷积神经网络和基于 transformer 的方法，探讨了在土地覆盖分类分析领域中，使用深度学习模型提高准确性和效率的最新进展。作者通过使用基于 Sentinel-2 卫星图像的 EuroSAT 数据集，证明了当前 transformer 模型在该领域取得了最先进的结果。

    Jan, 2024

  • 应用卷积神经网络对地面图像进行土地利用分类

    使用 Flickr 上的地面图像和深度学习方法进行土地利用地图绘制，并针对地理位置和室内 / 室外进行筛选和半监督数据增强，从而最终实现了 76% 的准确性。

    Sep, 2016

  • 从地上和空中视角理解城市土地利用：深度学习，多模态解决方案

    本文介绍了一种利用多模态数据和深度学习方法的城市地块级别自动土地利用变更监测模型，并在法国区域和城市的测试中取得了很好的效果。

    May, 2019