Χαρτογράφηση αστικών χρήσεων γης χρησιμοποιώντας χρησιμοποιώντας ένα βαθύ συνεργατικό νευρωνικό δίκτυο

Από RemoteSensing Wiki

Έκδοση στις 23:37, 10 Φεβρουαρίου 2019 υπό τον/την Maria Bousdeki (Συζήτηση | Συνεισφορές/Προσθήκες)
Μετάβαση σε: πλοήγηση, αναζήτηση
Εικόνα 1:Περιοχές μελέτης και δεδομένα εικόνας συμπεριλαμβανομένων των εικόνων WorldView-3 του Χονγκ Κονγκ και της εικόνας του WorldView-2 της Shenzhen.
Εικόνα 2:Η δομή του προτεινόμενου STDCNN.
Εικόνα 3:Αποσύνθεση της εικόνας HSR, με βάση τον σκελετό του οικοδομικού τετραγώνου. (α) να εξαγάγετε τον σκελετό και να βρείτε το κέντρο της πρώτης μονάδας επεξεργασίας. (β) - (δ) να αφαιρέσει τους υποψηφίους στο επιλεγμένο κέντρο και να βρει τα άλλα κέντρα των μονάδων επεξεργασίας. ε) να βρουν τα κέντρα από τους υποψηφίους της επόμενης γενεάς · (στ) να βρεθούν τα τελικά κέντρα των μονάδων επεξεργασίας.
Εικόνα 4:Τα αποτελέσματα αποσύνθεσης με βάση το σκελετό μιας εικόνας HSR με τα οικοδομικά τετράγωνα.
Εικόνα 5:Μετα-ταξινόμηση με το κόψιμο της μονάδας επεξεργασίας με τη μονάδα χαρτογράφησης.
Εικόνα 6:χαρτογράφηση χρήσεων γης βασισμένη στο STDCNN.
Αρχείο:Μπ7.7.jpg
Εικόνα 7:Χάρτες χρήσεων γης STDCNN με διαφορετικές μεθόδους αποσύνθεσης πριν από τον περιορισμό του οικοδομικού τετραγώνου, από την εικόνα του WorldView-3 του Kowloon και του νησιού του Χονγκ Κονγκ.
Εικόνα 8:STDCNN Χάρτες χρήσης γης κάθε κατηγορίας χρήσης γης με βάση τη μέθοδο αποσύνθεσης βασισμένη σε σκελετό και τον περιορισμό του οικοδομικού τετραγώνου. α) Kowloon και το νησί του Χονγκ Κονγκ. (β) Shatin. (γ) Shenzhen.

Χαρτογράφηση αστικών χρήσεων γης χρησιμοποιώντας χρησιμοποιώντας ένα βαθύ συνεργατικό νευρωνικό δίκτυο με πολυφασματικές εικόνες τηλεπισκόπησης υψηλής χωρικής ανάλυσης

Η χαρτογράφηση αστικών χρήσεων γης αποτελεί θεμελιώδη μέθοδο για την αναγνώριση και τον εντοπισμό των χρήσεων γης για διάφορους σκοπούς, όπως βιομηχανικές, οικιστικές, θεσμικές και εμπορικές περιοχές. Οι μέθοδοι ενημέρωσης των χαρτών χρήσης των αστικών περιοχών εξαρτώνται από την ερμηνεία των αεροφωτογραφιών και των επιτόπιων ερευνών, οι οποίες είναι επίπονες και χρονοβόρες. Με την ανάπτυξη τεχνολογιών τηλεπισκόπησης, ένας μεγάλος αριθμός εικόνων τηλεπισκόπησης υψηλής ανάλυσης (HSR) που καλύπτουν μια αστική περιοχή μπορεί να επιτευχθεί με αισθητήρες εγκατεστημένους σε αεροσκάφη ή δορυφόρους.

Οι εικόνες HSR των αγροτεμαχίων είναι πολύ περίπλοκες για να κατηγοριοποιηθούν σε επίπεδο εικονοστοιχείων. Οι μέθοδοι ταξινόμησης βασισμένες σε αντικείμενα μπορούν να παρουσιάσουν παρόμοια προβλήματα, καθώς αντλούν περιγραφές χωρικών δεδομένων μέσω της εφαρμογής συν-εμφάνισης, που βασίζονται σε γραφικές παραστάσεις ή με μεθόδους γεωμετρικών μετρήσεων. Αυτές οι μέθοδοι μπορούν να ενσωματώσουν πληροφορίες σχετικά με την κάλυψη της γης και είναι συμβατές με πολλές υπάρχουσες μεθόδους ταξινόμησης κάλυψης εδάφους. Για να μειωθεί η δυσκολία και η πολυπλοκότητα της εξαγωγής χαρακτηριστικών, μπορεί να χρησιμοποιηθεί ένα μοντέλο bag-of-visual-words (BOVW). Η μελέτη προτείνει μια μέθοδο μετατόπισης της χρήσης της γης με τη μέθοδο της ημι-μεταφοράς βαθέων συνελικτικών νευρώνων (STDCNN) για τη χαρτογράφηση αστικής χρήσης γης βασισμένη σε πολυφασματικές εικόνες HSR. Στη μελέτη χρησιμοποιείται μια εικόνα WorldView-3 που καλύπτει 143 km2 του Χονγκ Κονγκ και μια εικόνα WorldView-2 που καλύπτει 25 km2.

Η χαρτογράφηση των χρήσεων γης του Χονγκ Κονγκ και της Shenzhen είναι πολύτιμη για την καλύτερη κατανόηση και ανάλυση των πόλεων. Για την περιοχή του Χονγκ Κονγκ, υπάρχουν δύο εικόνες WorldView-3 με ανάλυση 1,24 μ., Οι οποίες αποκτήθηκαν για χαρτογράφηση χρήσης γης στις 15 Οκτωβρίου 2015. Μια εικόνα του WorldView-3 καλύπτει το νησί Kowloon και το Χονγκ Κονγκ με μέγεθος 9472 × 9728 και η άλλη εικόνα καλύπτει Shatin με μέγεθος 4352 × 4352. Για το Shenzhen, η εικόνα WorldView-2 αποκτήθηκε τον Απρίλιο του 2015 με χωρική ανάλυση 0,5 μ., Μέγεθος 14.546 × 17.361 και τέσσερις φασματικές ζώνες (μπλε, πράσινο, κόκκινο και κοντά σε υπέρυθρο).

Για την παραγωγή ενός χάρτη χρήσης γης από μια πολυφασματική εικόνα HSR, προτείνεται μια μέθοδος αντιστοίχισης της χρήσης της γης με βάση το STDCNN. Στην προτεινόμενη μέθοδο, τα δεδομένα HSR εικόνας και διανύσματος στο μπλοκ δρόμου και στους δρόμους προ-επεξεργάζονται και εκπαιδεύεται ένα μοντέλο STDCNN. Η μεγάλη HSR πολυφασματική εικόνα στη συνέχεια αποσυντίθεται σε μονάδες επεξεργασίας χρησιμοποιώντας μια μέθοδο αποσύνθεσης με βάση το σκελετό. Στη συνέχεια, το εκπαιδευμένο STDCNN χρησιμοποιείται για να ταξινομήσει τις μονάδες επεξεργασίας σε διαφορετικές κατηγορίες χρήσης γης. Τέλος, οι ετικέτες χρήσης γης των μονάδων επεξεργασίας συγχωνεύονται στον μεγάλο χάρτη χρήσης γης σύμφωνα με τους περιορισμούς που παρέχονται από τα δεδομένα του οδοστρώματος. Οι λεπτομέρειες της προτεινόμενης μεθόδου χαρτογράφησης χρήσης γης περιγράφονται στις ακόλουθες τρεις υποενότητες.

Η δομή του προτεινόμενου STDCNN, που φαίνεται στο σχήμα 3, περιλαμβάνει ένα DCNN μεταφοράς, ένα μικρό DCNN με περιορισμένο αριθμό στρώσεων και ένα πλήρως συνδεδεμένο στρώμα που συνενώνει τα δύο πρώτα μέρη. Το προτεινόμενο μοντέλο STDCNN περιλαμβάνει μια εκπαιδευτική αρχιτεκτονική πολλαπλών στρώσεων που περιέχει μια σειρά συνελικτικών, συγκεντρωτικών και πλήρως συνδεδεμένων στρωμάτων.

Αυτή η μελέτη προτείνει μια μέθοδο αποσύνθεσης με βάση το σκελετό που δειγμάτων κάθε μονάδα χαρτογράφησης και την αντιπροσωπεύει με ένα σύνολο μονάδων επεξεργασίας κανονικού μεγέθους. Για την ακριβέστερη απεικόνιση των μονάδων χαρτογράφησης, το κέντρο της σύνδεσης των μονάδων επεξεργασίας πρέπει να τοποθετηθεί στο κέντρο της μονάδας χαρτογράφησης για έμφαση. Σε μια μονάδα χαρτογράφησης, ο σκελετός μπορεί να διατηρήσει τη γεωμετρική μορφή μιας μονάδας και να εντοπίσει την κεντρική περιοχή της μονάδας.

Το αποτέλεσμα της αποσύνθεσης με βάση το σκελετό μιας μικρής εικόνας HSR παρουσιάζεται στο Σχήμα 3. Η ενοποιημένη αποσύνθεση επιλέγει κέντρα με σταθερή απόσταση, χωρίς να λαμβάνονται υπόψη τα οικοδομικά τετράγωνα, σε σύγκριση με την ενοποιημένη αποσύνθεση. Η μέθοδος αποσύνθεσης με βάση το σκελετό έχει καλύτερη απόδοση από την ενοποιημένη μέθοδο αποσύνθεσης για την απόκτηση των κέντρων για κάθε μονάδα χαρτογράφησης και αυτή η διαδικασία εξασφαλίζει ότι τα κέντρα βρίσκονται στις κύριες περιοχές των μονάδων χαρτογράφησης.

Οι μονάδες επεξεργασίας που παράγονται με τη μέθοδο αποσύνθεσης μπορούν στη συνέχεια να ταξινομηθούν από το εκπαιδευμένο STDCNN. Για να αποκτήσετε το χάρτη χρήσης γης για μια μονάδα χαρτογράφησης, όλες οι μονάδες επεξεργασίας με κέντρα στη συγκεκριμένη μονάδα χαρτογράφησης πρέπει να συνδυαστούν με τα ακόλουθα δύο βήματα: υπολογισμός ενός εμπιστευτικού διανύσματος για κάθε εικονοστοιχείο και συνδυασμός των εμπιστευτικών διανυσμάτων των εικονοστοιχείων στη χαρτογράφηση μονάδα.

Για κάθε μονάδα επεξεργασίας, μπορεί να υπάρχουν τρεις τύποι περιοχών, R1, R2 και R3, και ο καθένας πρέπει να αντιμετωπίζεται διαφορετικά (Σχήμα 5). Το R1 είναι η περιοχή στη μονάδα χαρτογράφησης που επικαλύπτεται από άλλες μονάδες επεξεργασίας. R2 είναι οι περιοχές που καλύπτονται από μία μόνο μονάδα επεξεργασίας και το R3 είναι μια περιοχή μιας μονάδας επεξεργασίας που δεν είναι σε μια μονάδα χαρτογράφησης. Τα εικονοστοιχεία στο R3 αγνοούνται, επειδή δεν βρίσκονται στη μονάδα χαρτογράφησης.

Η διαδικασία για τη μέθοδο χαρτογράφησης της χρήσης γης βάσει του STDCNN απεικονίζεται στο σχήμα 6. Στο πρώτο βήμα, συλλέγονται τα δείγματα εκπαίδευσης για την εκπαίδευση του STDCNN. Η μεγάλη HSR πολυφασματική εικόνα χωρίζεται σε μονάδες επεξεργασίας με τη μέθοδο αποσύνθεσης με βάση το σκελετό. Οι μονάδες επεξεργασίας ταξινομούνται κατόπιν από το εκπαιδευμένο μοντέλο STDCNN. Για να αποκτηθούν χάρτες χρήσης γης των περιοχών μελέτης, διεξάγονται δύο βήματα, δηλαδή η ταξινόμηση της χρήσης γης και η χαρτογράφηση χρήσης γης. Ο πίνακας σύγχυσης, η συνολική ακρίβεια (OA) και οι συντελεστές Kappa (Kappa) χρησιμοποιούνται για την αξιολόγηση της απόδοσης της ταξινόμησης της χρήσης γης.

Το προτεινόμενο STDCNN μπορεί να συνδυάσει τα πλεονεκτήματα του DCNN μεταφοράς και του μικρού DCNN για να επιτύχει καλύτερη απόδοση από οποιαδήποτε από τις δύο άλλες μεθόδους και μόνο. Μετά την εκπαίδευση, το εκπαιδευμένο μοντέλο STDCNN χρησιμοποιείται για την ταξινόμηση των μονάδων επεξεργασίας που λαμβάνονται είτε με την ομοιόμορφη αποσύνθεση είτε με την αποσύνθεση με βάση το σκελετό. Συνολικά, ο χάρτης χρήσεων γης που αποκτήθηκε χρησιμοποιώντας την προτεινόμενη μέθοδο αποσύνθεσης σε σκελετό είναι πιο περίπλοκος από εκείνους που λαμβάνονται χρησιμοποιώντας τη μέθοδο ομοιόμορφης αποσύνθεσης.

Τέσσερις μικρές περιοχές των χαρτών μεγεθύνονται για στενότερη σύγκριση. Οι ενισχυμένες εικόνες δημιουργούνται με την επικάλυψη της αρχικής πολυφασματικής εικόνας HSR με το χάρτη χρήσης της γης, με διαφάνεια 40%. Οι ενισχυμένες εικόνες που δείχνονται στο σχήμα 10 δείχνουν ότι η βιομηχανική περιοχή στην εικόνα 1 και η πυκνή κατοικημένη περιοχή στην εικόνα 2 διασπώνται με τη μέθοδο ομοιόμορφης αποσύνθεσης, αλλά διατηρούνται καλά στους χάρτες χρησιμοποιώντας τη μέθοδο αποσύνθεσης με βάση το σκελετό. Επιπλέον, η αραιή κατοικημένη περιοχή στην εικόνα 3 και η πυκνή κατοικημένη περιοχή στην εικόνα 4 ταξινομούνται λανθασμένα στη διαδικασία χρησιμοποιώντας την ομοιόμορφη μέθοδο αποσύνθεσης, επειδή το κέντρο της κατοικημένης περιοχής δεν βρίσκεται στην μονάδα επεξεργασίας και, ως εκ τούτου, μπορεί εύκολα να ταξινομηθεί ως διαφορετική τάξη χρήση γης.

STDCNN Χάρτες χρήσης γης κάθε κατηγορίας χρήσης γης με βάση τη μέθοδο αποσύνθεσης βασισμένη σε σκελετό και τον περιορισμό του μπλοκ δρόμου. α) Kowloon και το νησί του Χονγκ Κονγκ. (β) Shatin. (γ) Shenzhen. Ο τελικός χάρτης χρήσης γης μπορεί να αποκτηθεί μετά την εφαρμογή του περιορισμού των δεδομένων οικοδομικών τετραγώνων.

Η απόδοση της προτεινόμενης μεθόδου χαρτογράφησης εξαρτάται σε μεγάλο βαθμό από την ποιότητα της ταξινόμησης της χρήσης γης STDCNN, η οποία βασίζεται αποκλειστικά στην εικόνα τηλεπισκόπησης HSR χωρίς άλλες πηγές δεδομένων. Η αποτελεσματικότητα της μεθόδου εξαρτάται από το είδος των χρήσεων γης και την πολυπλοκότητά τους.

Συμπερασματικά, η μελέτη αυτή παρουσιάζει μια νέα μέθοδο STDCNN για την ταξινόμηση της χρήσης γης σε δεδομένα τηλεπισκόπησης πολλαπλών φάσεων υψηλής ανάλυσης (HSR). Αυτή η νέα μέθοδος υπερνικά τις αδυναμίες του παραδοσιακού DCNN (δηλαδή δεν μπορεί να αντιμετωπίσει τις πολυφασματικές εικόνες HSR με περισσότερα από τρία κανάλια) και του παραδοσιακού μικρού DCNN. Η νέα μέθοδος κατανέμει προσαρμοστικά μεγάλες εικόνες σε μικρές μονάδες επεξεργασίας κατά τρόπο που να διατηρεί την ακεραιότητα των σχεδίων χρήσης γης. Τα πειραματικά αποτελέσματα από την ανάλυση μιας μεγάλης εικόνας WorldView-3 143 χλμ. Χονγκ Κονγκ και μιας μεγάλης εικόνας WorldView-2 των 25 χλμ. Του Shenzhen δείχνουν ότι η προτεινόμενη μέθοδος αποσύνθεσης βασίζεται σε σκελετό και παράγει καλύτερο χάρτες χρήσης γης από εκείνους που παράγονται από η ομοιόμορφη μέθοδος αποσύνθεσης. Οι οπτικές συγκρίσεις δείχνουν ότι η προτεινόμενη μέθοδος καταγραφής εδάφους STDCNN μπορεί να αποκτήσει έναν ικανοποιητικό και πρακτικά χρήσιμο χάρτη χρήσης γης.

Προσωπικά εργαλεία