RS DL
论文介绍
题目：Monitoring road development in Congo Basin forests with multi-sensor satellite imagery and deep learning
期刊：Remote Sensing of Environment
论文：https://www.sciencedirect.com/science/article/pii/S0034425724004061
主页：https://wur.eu/forest-roads
创新点
多源遥感数据的结合：利用Sentinel-1的雷达数据和Sentinel-2的光学数据，结合了两者的优势，提升了热带森林地区道路检测的准确性，特别是在多云和复杂地形下。 深度学习的应用：使用卷积神经网络（CNN）和变化率图像来实现道路的自动检测，大幅减少了传统手动标注的工作量，提高了道路检测的精度和效率。 自动化监测方法：提出了每月更新的道路地图生成方法，可以实现热带森林道路的高时空分辨率监测，有助于及时发现和跟踪森林开发活动。 基于多时段变化的道路检测：通过计算三个月的平均变化率，有效地捕捉了新的道路开发，并减少了云层覆盖带来的影响。
数据
数据源：使用了Sentinel-1雷达影像（VV和VH极化）和Sentinel-2光学影像（NDVI和NBR），时间跨度为2019年至2022年。
研究区：包括了刚果盆地的六个中非国家的热带湿润森林区域。
地形信息：使用了SRTM数据生成30米分辨率的坡度图层，以捕捉地形对道路开发的限制作用。
预处理
Sentinel-1数据预处理：包括轨道文件的应用、噪声去除、辐射校正和地形校正。移除了图像边缘的噪声和不必要的边界噪声。 Sentinel-2数据预处理：进行了云和阴影的掩膜处理，采用了40%概率阈值的云检测，并基于太阳方位角检测云影。应用5×5像素的过滤器来减少误差。 数据整合：计算了植被指数（NDVI）和火烧指数（NBR），用于对森林与道路之间的差异进行高亮显示。
方法
总体结构
变化率的生成
时间序列的创建：将Sentinel-1和Sentinel-2的数据按3个月的平均值进行分段，与2年的历史中值进行对比，从而生成变化率。这种方法减少了由于云层覆盖和大气条件变化带来的不确定性。 变化率的特点：道路的变化率表现为NDVI和NBR的显著下降，同时在雷达影像中观察到VV和VH的衰减，这些特征被用来区分森林和新开道路。
模型训练与验证
参考数据集的构建：手动标注了道路的参考数据集，涵盖了研究区内的不同生态区。数据集包含了与道路无关的森林变化（如农业和采矿），以确保模型能够准确区分不同类型的变化。 模型结构：使用了基于U-Net结构的卷积神经网络（CNN），对变化率图像进行像素级的道路分类。数据增强技术如水平镜像和随机噪声添加被用于减少模型的过拟合风险。 数据分割：数据集按参考数据的位置进行划分，确保训练、验证和测试集之间无空间重叠，以验证模型在不同区域的适应性。
道路检测与后处理
大规模应用：将模型应用于整个研究区，生成每月更新的道路检测结果。为了确保检测的准确性，仅保留在四个月内被至少检测三次的像素。 误检去除：剔除了与水体边缘相似的线性特征，以及孤立的小检测点。通过扩展和收缩处理，填补了检测中的小缺口，确保道路的连续性。 矢量化处理：将最终的栅格数据转化为矢量数据，连接相邻的道路段落，形成完整的道路网络。
结果和精度
精度
可视化
产品对比
结果统计
更多图表分析可见原文
因配置了AI回复功能，除关键词自动回复外，号内信息主要由AI大模型回复。如需资源、投稿、合作等，请直接联系小助手微信（添加请备注：咨询、投稿、合作、加群，加群需备注姓名/昵称，单位和研究方向）。
公众号欢迎优秀作者投稿！可加入优秀论文作者群：欢迎加入AI遥感优秀论文作者群！
问题及讨论可直接在文章下方留言
相关链接：
欢迎关注
分享遥感与深度学习领域的技术、论文、书籍、新鲜事。
欢迎加入遥感与深度学习交流群(点此加入)。
