Globale Landbedeckungskarten verfolgen beispiellose Veränderungen der Landnutzung im letzten Jahrhundert und liefern wichtige Erkenntnisse über die Auswirkungen menschlicher Besiedlung auf die Umwelt. Forscher der Sun Yat-sen-Universität haben einen umfangreichen Fernerkundungs-Annotationsdatensatz erstellt, um die Erdbeobachtungsforschung zu unterstützen und neue Einblicke in die dynamische Überwachung der globalen Landbedeckung zu liefern.
In ihrer Studie, veröffentlicht in der Zeitschrift für FernerkundungDas Team untersuchte, wie sich die globale Landnutzung/Landbedeckung (LULC) mit der fortschreitenden Industrialisierung und Urbanisierung dramatisch verändert hat, einschließlich Abholzung und Überschwemmungen.
„Wir brauchen dringend eine hochfrequente, hochauflösende Überwachung von LULC, um die Auswirkungen menschlicher Aktivitäten auf das Klima und die Umwelt zu mildern“, sagte Qian Shi, Professor an der Sun Yat-sen-Universität.
Die globale LULC-Überwachung basiert auf automatischen Klassifizierungsalgorithmen, die Satellitenfernerkundungsbilder Pixel für Pixel klassifizieren. Datengesteuerte Deep-Learning-Methoden extrahieren intrinsische Merkmale aus den Fernerkundungsbildern und schätzen die LULC-Kennzeichnung jedes Pixels.
In den letzten Jahren haben Forscher zunehmend eine Methode namens semantische Segmentierung für Fernerkundungsbildklassifizierungsaufgaben im Deep Learning für die Kartierung der globalen Landbedeckung eingesetzt. Anstatt Bilder als Ganzes zu klassifizieren, klassifiziert die semantische Segmentierung jedes Pixel oder Element mit bestimmten Etiketten.
„Anders als das Erkennen der Gewerbe- oder Wohnszene in einem Bild kann das semantische Segmentierungsnetzwerk die Grenzen jedes Landobjekts in der Szene abgrenzen und uns helfen, zu verstehen, wie Land genutzt wird“, sagte Shi.
Diese Art von semantischem Verständnis auf hoher Ebene kann ohne die Kontextinformationen jedes Pixels nicht erreicht werden; Geografische Objekte sind eng mit den umgebenden Szenen verbunden, was Hinweise für die Vorhersage jedes Pixels liefern kann. Beispielsweise legen Flugzeuge auf Flughäfen an, Schiffe legen in Häfen an und Mangroven wachsen im Allgemeinen an der Küste.
Allerdings sei die Leistung der semantischen Segmentierung durch die Anzahl und Qualität der Trainingsdaten begrenzt, und die vorhandenen Annotationsdaten seien in der Regel hinsichtlich Quantität, Qualität und räumlicher Auflösung unzureichend, so Shi.
Hinzu kommt, dass die Datensätze in der Regel regional erfasst werden und es ihnen an Diversität und Variabilität mangelt, was eine globale Skalierung datengesteuerter Modelle erschwert.
Um diese Nachteile zu beheben, schlug das Forschungsteam einen umfangreichen Annotationsdatensatz, Globe230k, für die semantische Segmentierung von Fernerkundungsbildern vor. Der Datensatz hat drei Vorteile:
Das Team testete den Globe230k-Datensatz mit mehreren hochmodernen semantischen Segmentierungsalgorithmen und stellte fest, dass er in der Lage war, Algorithmen zu bewerten, die für die Charakterisierung der Landbedeckung von entscheidender Bedeutung sind, einschließlich Multiskalenmodellierung, Detailrekonstruktion und Generalisierungsfähigkeit.
„Wir glauben, dass der Globe230k-Datensatz die weitere Erdbeobachtungsforschung unterstützen und neue Erkenntnisse zur globalen dynamischen Überwachung der Landbedeckung liefern könnte“, sagte Shi.
Der Datensatz wurde veröffentlicht und kann als Benchmark verwendet werden, um die Weiterentwicklung der globalen Landbedeckungskartierung und die Entwicklung semantischer Segmentierungsalgorithmen voranzutreiben.
Weitere Mitwirkende sind Da He, Zhengyu, Liu, Xiaoping Liu und Jingqian Xue, alle von der Sun Yat-sen-Universität und dem Guangdong Provincial Key Laboratory for Urbanization and Geo-simulation.
Mehr Informationen:
Qian Shi et al., Globe230k: A Benchmark Dense-Pixel Annotation Dataset for Global Land Cover Mapping, Zeitschrift für Fernerkundung (2023). DOI: 10.34133/remotesensing.0078
Bereitgestellt vom Journal of Remote Sensing