view in publisher's site

A 3D convolutional neural network method for land cover classification using LiDAR and multi-temporal Landsat imagery

Terrestrial landscape has complex three-dimensional (3D) features that are difficult to extract using traditional methods based on 2D representations. These methods often relegate such features to raster or metric-based (two-dimensional) representations based on Digital Surface Models (DSM) or Digital Elevation Models (DEM), and thus are not suitable for resolving morphological and intensity features for fine-scale land cover mapping. Small-footprint LiDAR provides an ideal way for capturing these 3D features. This research develops a novel method of integrating airborne LiDAR derived features and multi-temporal Landsat images to classify land cover types. We tested our approach in Williamson County, Illinois, which has diverse and mixed landscape features. Specifically, our method applied a 3D convolutional neural network (CNN) approach to extract features from LiDAR point clouds by (1) creating an occupancy grid, an intensity grid at 1-meter resolution, and then (2) normalizing and incorporating data into the 3D CNN. The extracted features (e.g., morphological and intensity features) from the 3D CNN were finally combined with multi-temporal spectral data to enhance the performance of land cover classification based on a Support Vector Machine classifier. Visual interpretation from both hyper-resolution photos and point clouds was used for training and preparation of testing data. The classification results show that our method outperforms a traditional method by 2.65% (from 81.52% to 84.17%) when solely using LiDAR and 2.19% (from 90.20% to 92.57%) when combining all available imageries. We demonstrate that our method can effectively extract LiDAR features and improve fine-scale land cover mapping through fusion of complementary types of remote sensing data.

روش شبکه عصبی سه‌بعدی برای طبقه‌بندی پوشش زمین با استفاده از تصاویر LiDAR و چند وجهی

با استفاده از روش‌های سنتی مبتنی بر نمایش دو بعدی، استخراج مناظر سه‌بعدی با استفاده از روش‌های سنتی دشوار است. این روش‌ها اغلب چنین ویژگی‌هایی را به نمایش‌های شبکه‌ای (دو بعدی)براساس مدل‌های سطح دیجیتال (DSM)یا مدل‌های ارتفاع رقومی ارتفاع (DEM)می‌دهند، و بنابراین برای حل ویژگی‌های مورفولوژیکی و شدت برای نقشه‌برداری از پوشش زمین مناسب مناسب نیستند. LiDAR - یک روش ایده‌آل برای ثبت این ویژگی‌های سه‌بعدی فراهم می‌کند. این تحقیق روشی جدید برای ترکیب ویژگی‌های مشتق‌شده از هوابرد و تصاویر multi چند زمانی برای طبقه‌بندی انواع پوشش اراضی را گسترش می‌دهد. ما رویکرد خود را در شهرستان ویلیامسون، ایلی نویز، که دارای ویژگی‌های منظره متنوع و ترکیبی است، آزمایش کردیم. به طور خاص، روش ما یک روش شبکه عصبی ۳ ۳ D (سی ان ان)را برای استخراج ویژگی از ابره‌ای نقطه‌ای LiDAR با ایجاد یک شبکه اشغال، یک شبکه شدت در رزولوشن ۱ متر و سپس (۲)نرمال کردن و ادغام داده‌ها در بخش ۳ بعدی به کار برد. ویژگی‌های استخراج‌شده (به عنوان مثال، ویژگی‌های مورفولوژیکی و شدت)از شبکه ۳ بعدی در نهایت با داده‌های طیفی چند زمانی برای افزایش عملکرد طبقه‌بندی پوشش زمین براساس طبقه‌بندی کننده ماشین بردار پشتیبانی ترکیب شدند. تفسیر بصری از تصاویر فوق وضوح و ابر نقاط برای آموزش و آماده‌سازی داده‌های تست مورد استفاده قرار گرفت. نتایج طبقه‌بندی نشان می‌دهد که روش ما از روش سنتی ۲.۶۵ % (از ۸۱.۵۲ % تا ۸۴.۱۷ %)بهتر عمل می‌کند هنگامی که تنها با استفاده از LiDAR و ۲.۱۹ % (از ۹۰.۲۰ % به ۹۲.۵۷ %)هنگامی که تمامی تصاویر موجود را ترکیب می‌کند. ما نشان می‌دهیم که روش ما می‌تواند به طور موثر ویژگی‌های LiDAR را استخراج کرده و نقشه پوشش زمین را از طریق ترکیب انواع مکمل داده‌های سنجش از راه دور، بهبود بخشد.
ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.