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.

یک روش شبکه عصبی سه‌بعدی برای طبقه‌بندی پوشش اراضی با استفاده از تصاویر ماهواره‌ای LiDAR و چند زمانه

مناظر Terrestrial ویژگی‌های سه‌بعدی (سه‌بعدی)پیچیده‌ای دارد که استخراج با استفاده از روش‌های سنتی مبتنی بر بازنمایی‌های ۲ بعدی مشکل است. این روش‌ها اغلب چنین ویژگی‌هایی را به نمایش یا رستری (دو بعدی)مبتنی بر مدل‌های سطحی دیجیتال (DSM)یا مدل‌های Elevation دیجیتال (DEM)ترجیح می‌دهند، و بنابراین برای رفع ویژگی‌های مورفولوژیک و شدت برای نقشه‌برداری پوشش زمین مناسب مناسب نیستند. رد پای کوچک یک روش ایده‌آل برای ثبت این سه ویژگی سه‌بعدی فراهم می‌کند. این تحقیق یک روش جدید برای ادغام ویژگی‌های مشتق‌شده از هوابرد و تصاویر Landsat چند زمانه برای طبقه‌بندی تیپ‌های پوشش زمین ارایه می‌دهد. ما رویکرد خود را در شهرستان ویلیامسون، ایلینویز، که ویژگی‌های مناظر متنوع و متنوعی دارد، آزمایش کردیم. به طور خاص، روش ما یک رویکرد شبکه عصبی ۳ بعدی (سی ان ان)را برای استخراج ویژگی‌ها از ابر نقطه LiDAR به وسیله (۱)ایجاد یک شبکه اشغال، یک شبکه شدت در تفکیک ۱ متر و سپس (۲)نرمال کردن و ادغام داده‌ها در شبکه ۳ بعدی استفاده کرد. ویژگی‌های استخراج‌شده (به عنوان مثال، ویژگی‌های مورفولوژیکی و شدت)از شبکه ۳ بعدی CNN در نهایت با داده‌های طیفی چند طیفی برای افزایش عملکرد طبقه‌بندی پوشش زمین براساس طبقه‌بندی کننده ماشین بردار پشتیبان ترکیب شدند. تفسیر بصری از هر دو تصویر فوق وضوح و ابر نقاط برای آموزش و آماده‌سازی داده‌های آزمایش استفاده شد. نتایج طبقه‌بندی نشان می‌دهد که روش ما نسبت به روش سنتی ۲.۶۵ درصد (از ۸۱.۵۲ درصد به ۸۴.۱۷ درصد)، زمانی که تنها با استفاده از LiDAR و ۲.۱۹ درصد (از ۹۰.۲۰ درصد به ۹۲.۵۷ درصد)بهتر عمل می‌کند، عمل می‌کند. ما نشان می‌دهیم که روش ما می‌تواند به طور موثر ویژگی‌های LiDAR را استخراج کند و نگاشت پوشش اراضی مقیاس خوب را از طریق ادغام انواع مکمل داده‌های سنجش از 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.