Mapping of Land Use and Land Cover (LULC) using EuroSAT and Transfer Learning
本文证明了将迁移学习和微调应用于 EuroSAT 数据集的 RGB 波段，能够实现高精度（99.19%）的土地利用与土地覆盖制图，为环境监测、城市规划和气候变化缓解提供了一种有价值的工具。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
地球在不断变化，被森林的缓慢蔓延、城市的突然扩张以及农业模式的转变所重塑。为了管理这些变化并保护我们的自然资源，科学家需要一张清晰、准确的地面俯视图。几十年来，这意味着要派人进入实地或手动研究照片，这是一个缓慢且往往不完整的过程。如今，卫星在绕地球运行，每天捕捉大量的数字图像。这些图像构成了我们地表的庞大全球档案，但由于数量过于庞大，人类无法逐一进行分类。这正是人工智能介入的地方，特别是被称为“计算机视觉”的一个分支，它教会机器像人类眼睛一样识别模式和识别图像中的物体。挑战在于，如何训练这些机器在处理来自复杂卫星传感器的数据时，能够高精度地分辨出河流、森林或居住区。
在最近的一项研究中，研究人员 Suman Kunwar 和 Jannatul Ferdush 通过测试一种现代人工智能在分类土地利用和土地覆盖方面的表现，应对了这一挑战。他们专注于一个名为 EuroSAT 的特定卫星图像集，该集合包含由 Sentinel-2 卫星拍摄的 27,000 张带有标签的地球表面照片。这些图像被分为十个不同的类别，从一年生作物和森林到高速公路和工业区。研究人员希望看看是否可以使用一种被称为“视觉 Transformer”（Vision Transformer，简称 ViT）的强大预训练模型来学习如何对这些图像进行分类。该模型此前已被教导识别普通照片中的物体，团队旨在观察它是否可以被改编以理解卫星图像特有的纹理和色彩。他们测试了向模型输入额外的、经过轻微修改的相同图像版本（例如翻转或裁剪后的副本）是否能帮助它更好地学习，这种技术被称为“数据增强”。
团队使用特定的指令和工具训练了他们的系统，并在通过在线平台提供的强大计算机处理器上运行了实验。他们将 Vision Transformer 的性能与另外两种著名的 AI 模型——VGG16 和 ResNet-50 进行了对比，并使用了相同的卫星数据。结果显示，Vision Transformer 是三者中最准确的。当研究人员使用标准图像而不进行任何额外改动时，该模型在测试用例中正确识别土地类型的准确率为 98.61%。然而，当他们引入数据增强技术时，模型的性能得到了进一步提升，准确率达到了 98.72%。在一次更详细的测试中，通过让模型进行更长时间的训练，使用增强数据的版本达到了惊人的 99.19% 的准确率；而未使用增强数据的版本，其准确率随着训练的持续而略有下降，从 10 个 epoch（轮次）时的 98.67% 下降到了 20 个 epoch 时的 98.41%。这表明，让模型接触更多样化的图像角度和裁剪方式，有助于它更好地泛化到新的、未见过的数据。
为了证明这种高水平的准确性可以应用于现实世界，研究人员将其表现最好的模型应用于德国一个名为 Kreis Borken 的特定区域。他们收集了该地区 2018 年至 2020 年间的卫星图像，并将其分解成易于处理的小方块。随后，模型检查每个方块并为其分配一个标签，例如森林、牧场或居住区。最终的输出是一幅色彩丰富的地图，直观地展示了该区域不同土地类型的分布情况。地图分析显示，该模型在识别森林和水体方面表现尤为出色，但在区分“牧场”类别时发现难度稍大，其准确率在所有类别中最低，尽管其余类别的准确率都接近 99%。
研究结论指出，使用“迁移学习”（即将在一个任务上训练的模型适配到另一个任务）是进行土地利用制图的一种非常有效的方法。研究人员发现，添加数据增强不仅提高了分类的准确性，还有助于模型避免“过拟合”——这是一个常见问题，即计算机过度记忆训练数据，从而导致无法识别新模式。通过结合这些技术，团队证明了创建具有近乎完美精度的地球表面详细自动化地图是可能的。这些发现表明，对于需要监测土地利用变化、规划未来增长以及保护自然栖息地的城市规划者和环保主义者来说，此类工具具有极高的价值，因为他们无需仅仅依赖人工观察。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。