GEE案例——利用谷歌地球引擎的深度学习方法绘制哨兵 1 号地表水地图

此星光明

发布于 2024-04-17 08:37:30

1250

发布于 2024-04-17 08:37:30

文章被收录于专栏：GEE数据专栏，GEE学习专栏，GEE错误集等专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏

利用谷歌地球引擎的深度学习方法绘制哨兵 1 号地表水地图

摘要

卫星遥感在测绘地表水的位置和范围方面发挥着重要作用。绘制地表水地图有多种方法，但深度学习方法并不常见，因为它们 "数据饥渴"，需要大量计算资源。不过，随着各种卫星传感器的出现和云计算的快速发展，遥感科学界正在采用现代深度学习方法。基于云计算的谷歌人工智能平台和谷歌地球引擎的新整合使用户能够大规模部署计算。在本文中，我们研究了两种自动数据标注方法：1. 联合研究中心（JRC）地表水地图；2. Edge-Otsu 动态阈值方法。我们部署了一个 U-Net 卷积神经网络来绘制哨兵-1 合成孔径雷达 (SAR) 数据中的地表水图，并使用不同的超参数调整组合测试了模型性能，以确定最佳学习率和损失函数。然后使用独立的验证数据集对性能进行评估。我们共测试了 12 个模型，发现使用 JRC 数据标签的模型性能更好，训练测试和验证工作的 F1 分数从 0.972 到 0.986 不等。此外，我们还使用了一个独立采样的高分辨率数据集来进一步评估模型性能。通过这一独立验证工作，我们发现利用 JRC 数据标签的模型产生了 0.9130.922 的 F1 分数。通过不同的输入数据、学习率和损失函数成分对模型进行配对比较，发现 JRC 调整二元交叉熵骰模型与其他 66 个模型组合在统计上有所不同，并显示出最高的相对评估指标，包括准确率、精确度得分、科恩卡帕系数和 F1 分数。这些结果与许多传统方法处于同一范围。我们注意到，谷歌人工智能平台与谷歌地球引擎的集成可以成为大规模部署深度学习算法的有力工具，自动数据标注可以成为开发深度学习模型的有效策略，但是独立数据验证仍然是模型评估的重要步骤。