Segmentación semántica con aprendizaje profundo para tipos de uso de la tierra y cobertura del suelo, utilizando imágenes Landsat-8

• Versión 2.0
• Descargar 628
• Tamaño del archivo 6.35 MB
• Recuento de archivos 1
• Fecha de creación 9 de enero de 2023
• Última actualización 9 de enero de 2023

El uso de la segmentación semántica con aprendizaje profundo para el uso del suelo es el problema más desafiante en imágenes de resolución espacial media. Esto se debe a la capa de convolución profunda y los múltiples niveles de pasos profundos de la red de línea de base, que pueden causar un problema de degradación en las características de uso de suelo. En este artículo, se propone un algoritmo de segmentación semántica con aprendizaje profundo que comprende una arquitectura de red de ajuste (LoopNet) y un conjunto de datos de uso del suelo para la clasificación automática utilizando imágenes Landsat 8. Los resultados experimentales ilustran que la segmentación semántica con aprendizaje profundo que utiliza la red de referencia (SegNet, U-Net) supera a los algoritmos de aprendizaje automático basados en píxeles (MLE, SVM, RF) para la clasificación del uso del suelo. Además, la red LoopNet, que comprende un bucle convolucional y un bloque convolucional, es superior a otras redes de referencia (SegNet, U-Net, PSPnet) y redes de mejora (ResU-Net, DeeplabV3+, U-Net++), con una precisión general del 89,84 %. y buenos resultados de segmentación. La evaluación de bandas multiespectrales en el conjunto de datos de uso de la tierra demuestra que la Banda 5 tiene un buen desempeño en términos de precisión de extracción, con una precisión general del 83,91 %. Además, la combinación de diferentes bandas espectrales (Banda 1–Banda 7) logró el resultado de mayor precisión (89,84 %) en comparación con las bandas individuales. Estos resultados indican la efectividad de LoopNet y las bandas multiespectrales para la clasificación del uso del suelo usando imágenes Landsat 8.