Mapping of Land Use and Land Cover (LULC) using EuroSAT and Transfer Learning
Dit artikel toont aan dat het toepassen van transfer learning en fine-tuning op RGB-banden van de EuroSAT-dataset zeer nauwkeurige (99,19%) landgebruik- en landbedekkingskaarten mogelijk maakt, wat een waardevolle tool biedt voor milieumonitoring, stedelijke planning en klimaatveranderingmitigatie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De aarde verandert voortdurend, gevormd door de langzame kruip van bossen, de plotselinge verspreiding van steden en de verschuivende patronen van de landbouw. Om deze veranderingen te beheren en onze natuurlijke hulpbronnen te beschermen, hebben wetenschappers een duidelijk, nauwkeurig beeld nodig van hoe de grond er van bovenaf uitziet. Decennialang betekende dit dat mensen het veld in moesten gaan of handmatig foto's moesten bestuderen, een traag en vaak incompleet proces. Tegenwoordig cirkelen satellieten rond de planeet die dagelijks enorme hoeveelheden digitale beelden vastleggen. Deze beelden fungeren als een massaal, globaal archief van ons oppervlak, maar ze zijn te talrijk voor mensen om één voor één door te sorteren. Hier komt kunstmatige intelligentie in beeld, specifiek een tak die bekend staat als computer vision, die machines leert om patronen te herkennen en objecten binnen afbeeldingen te identificeren, net zoals het menselijk oog dat doet. De uitdaging ligt in het trainen van deze machines om het onderscheid te maken tussen een rivier, een bos of een woonwijk met hoge precisie, vooral wanneer de gegevens afkomstig zijn van complexe satelliet sensoren.
In een recente studie pakten onderzoekers Suman Kunwar en Jannatul Ferdush deze uitdaging aan door te testen hoe goed een modern type kunstmatige intelligentie landgebruik en landbedekking kon classificeren. Ze richtten zich op een specifieke collectie satellietbeelden genaamd EuroSAT, die 27.000 gelabelde foto's van het aardoppervlak bevat die zijn genomen door de Sentinel-2 satelliet. Deze beelden zijn verdeeld in tien verschillende categorieën, variërend van eenjarige gewassen en bossen tot snelwegen en industriële zones. De onderzoekers wilden zien of ze een krachtig, vooraf getraind model bekend als een Vision Transformer, of ViT, konden gebruiken om te leren deze beelden te sorteren. Dit model was al geleerd om objecten in algemene foto's te herkennen, en het team wilde zien of het aangepast kon worden om de specifieke texturen en kleuren van satellietbeelden te begrijpen. Ze testten of het voeden van het model met extra, licht gewijzigde versies van dezelfde afbeeldingen—zoals gespiegelde of bijgesneden kopieën—het model zou helpen beter te leren, een techniek die bekend staat als data augmentatie.
Het team trainde hun systeem met behulp van een specifieke set instructies en hulpmiddelen, waarbij ze de experimenten uitvoerden op krachtige computerprocessoren die beschikbaar zijn via een online platform. Ze vergeleken de prestaties van de Vision Transformer met twee andere bekende kunstmatige intelligentie-modellen, VGG16 en ResNet-50, met gebruik van dezelfde satellietgegevens. De resultaten toonden aan dat de Vision Transformer de meest nauwkeurige van de drie was. Wanneer de onderzoekers de standaard afbeeldingen zonder extra wijzigingen gebruikten, identificeerde het model het landtype in 98,61 procent van de testgevallen correct. Echter, toen ze de data augmentatie-techniek introduceerden, verbeterde de prestatie van het model verder en bereikte een nauwkeurigheid van 98,72 procent. In een meer gedetailleerde test waarbij ze het model gedurende een langere periode trainden, bereikte de versie met geaugmenteerde data een opmerkelijke nauwkeurigheid van 99,19 procent, terwijl de versie zonder augmentatie zag dat de nauwkeurigheid licht daalde naarmate de training voortduurde, van 98,67% bij 10 epochs naar 98,41% bij 20 epochs. Dit suggereert dat het blootstellen van het model aan een grotere verscheidenheid aan beeldhoeken en crops hielp om beter te generaliseren naar nieuwe, ongeziene gegevens.
Om te bewijzen dat dit hoge niveau van nauwkeurigheid toegepast kan worden in de echte wereld, namen de onderzoekers hun best presterende model en pasten het toe op een specifieke regio genaamd Kreis Borken in Duitsland. Ze verzamelden satellietbeelden van dit gebied uit de periode 2018 tot 2020 en braken deze af in kleine, beheersbare vierkanten. Het model onderzocht vervolgens elk vierkant en gaf het een label, zoals bos, grasland of woongebied. De uiteindelijke output was een kleurrijke kaart die de verdeling van verschillende landtypen over de regio visueel weergaf. De analyse van de kaart onthulde dat het model bijzonder goed was in het identificeren van bossen en waterlichamen, terwijl het de categorie "grasland" iets moeilijker vond om te onderscheiden, wat de laagste nauwkeurigheid registreerde van alle klassen, hoewel de overige categorieën bijna 99% nauwkeurigheid behaalden.
De studie concludeert dat het gebruik van transfer learning, waarbij een model getraind op één taak wordt aangepast voor een andere, een zeer effectieve manier is om landgebruik in kaart te brengen. De onderzoekers ontdekten dat het toevoegen van data augmentatie niet alleen de nauwkeurigheid van de classificatie verbeterde, maar ook hielp om overfitting te voorkomen, een veelvoorkomend probleem waarbij een computer de trainingsgegevens te nauwgezet onthoudt en er niet in slaagt nieuwe patronen te herkennen. Door deze technieken te combineren, demonstreerde het team dat het mogelijk is om gedetailleerde, geautomatiseerde kaarten van het aardoppervlak te maken met bijna perfecte precisie. Deze bevindingen suggereren dat dergelijke instrumenten waardevol kunnen zijn voor stadsplanners en milieuvriendelijke experts die landgebruik moeten monitoren, toekomstige groei moeten plannen en natuurlijke habitats moeten beschermen zonder uitsluitend te vertrouwen op handmatige observatie.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.