.png){kind=icon}
返回
Themeda: Predicting Land Cover Change Using Deep Learning
.png){kind=icon}
OA
AI
DOI：10.34133/remotesensing.0780.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
精准的土地覆盖变化预测对于科学土地管理至关重要，而深度学习提供了一种灵活的解决方案，能够捕捉复杂的生态动态。本文提出了一种名为Themeda的建模框架，用于预测未来一年或多年的土地覆盖状况，该框架采用人工神经网络，并结合来自澳大利亚北部全球最大完整热带草原的遥感时间序列数据。Themeda整合了多样化的时空特征，包括33年的卫星派生土地覆盖数据、降雨量、温度、火灾疤痕、土壤属性和海拔高度，并为每个像素生成可能土地覆盖类别下的未来土地覆盖概率分布。该模型采用ConvLSTM和一种新颖的Temporal U-Net架构，通过在U-Net中引入长短期记忆层以实现多尺度时间处理。Themeda通过在多个空间尺度上处理时间数据，克服了当前时空模型的局限性，有效捕捉了局部和区域生态变化。该模型在粮食及农业组织Level 3土地覆盖类别上实现了93.4%的像素级验证精度，在4,000 m × 4,000 m区域内的聚合土地覆盖预测中，Kullback–Leibler散度为1.65 × 10−3，超越了基线持续性模型。该模型在预测未见测试年份时表现优异，显示出良好的泛化能力。这些概率输出和多尺度时间处理代表了遥感应用领域的重要进展，能够改进生态预测，并支持不同区域的土地利用规划。
期刊
IF:
6.8
论文数:
250
被引数:
1.0K
机构
引用论文
Projecting multiclass global land-use and land-cover change using deep learning and spherical geographic automata model利用深度学习和球形地理自动机模型预测多类别全球土地利用和土地覆盖变化OAAI
OAAI分享收藏Transfer Learning Models for Land Cover and Land Use Classification in Remote Sensing Image遥感影像土地覆盖与利用分类的迁移学习模型OAAI
OAAI分享收藏A maps-to-maps approach for simulating urban land expansion based on convolutional long short-term memory neural networks基于卷积长短期记忆神经网络的城市土地扩张模拟方法OAAI
OAAI分享收藏Amazon rainforest deforestation influenced by clandestine and regular roadway network.png)
LAND USE POLICY
LAND USE POLICYIF5.9
PREAI
分享收藏Global drivers of change across tropical savannah ecosystems and insights into their management and conservation热带稀树草原生态系统变化的全球驱动因素及其管理和保护的见解
PREAI
分享收藏分享收藏
查看更多内容