[论文解读] An Urban Water Extraction Method Combining Deep Learning and Google Earth Engine

Y. D. Wang, Zhiwei Li+3 more|arXiv (Cornell University)|Dec 23, 2019

Flood Risk Assessment and Management参考文献 52被引用 6

一句话总结

本文提出了一种离线训练与在线预测（OTOP）框架，将多尺度卷积神经网络（MSCNN）与Google Earth Engine（GEE）相结合，从Landsat影像中提取城市水体。通过离线训练MSCNN并在GEE上部署以实现实时推理，该方法实现了高精度——平均F1分数为0.930，IoU为0.869，优于MNDWI和随机森林模型在多个中国城市的性能。

ABSTRACT

Urban water is important for the urban ecosystem. Accurate and efficient detection of urban water with remote sensing data is of great significance for urban management and planning. In this paper, we proposed a new method to combine Google Earth Engine (GEE) with multiscale convolutional neural network (MSCNN) to extract urban water from Landsat images, which is summarized as offline training and online prediction (OTOP). That is, the training of MSCNN was completed offline, and the process of urban water extraction was implemented on GEE with the trained parameters of MSCNN. The OTOP can give full play to the respective advantages of GEE and CNN, and make the use of deep learning method on GEE more flexible. It can process available satellite images with high performance without data download and storage, and the overall performance of urban water extraction is also higher than that of the modified normalized difference water index (MNDWI) and random forest. The mean kappa, F1-score and intersection over union (IoU) of urban water extraction with the OTOP in Changchun, Wuhan, Kunming and Guangzhou reached 0.924, 0.930 and 0.869, respectively. The results of the extended validation in the other major cities of China also show that the OTOP is robust and can be used to extract different types of urban water, which benefits from the structural design and training of the MSCNN. Therefore, the OTOP is especially suitable for the study of large-scale and long-term urban water change detection in the background of urbanization.

研究动机与目标

• 解决在快速城市化地区利用遥感技术进行准确且可扩展的城市水体检测的挑战。
• 克服传统指数（如MNDWI）和机器学习模型（如随机森林）在处理复杂城市水体特征方面的局限性。
• 实现在无需本地数据存储或计算资源开销的情况下，高效、大规模且长期的城市水体变化检测。
• 结合深度学习与云地理空间平台的优势，提升提取精度与操作灵活性。

提出的方法

• 使用来自Landsat影像的标注城市水体样本，在本地离线训练多尺度卷积神经网络（MSCNN）。
• 将训练好的MSCNN模型部署至Google Earth Engine（GEE）中，以对云端存储的卫星数据进行在线推理。
• 利用GEE的并行处理能力和全球数据访问功能，在无需下载或存储大规模数据集的情况下实现实时水体提取。
• 将训练好的MSCNN应用于多个城市的Landsat影像，通过像素级分类识别城市水体。
• 实施两阶段流程：首先使用本地资源进行离线模型训练，随后利用GEE的计算基础设施进行在线预测。
• 优化MSCNN架构，以捕捉对区分水体与城市地表（如不透水表面和阴影）至关重要的多尺度空间特征。

实验结果

研究问题

• RQ1 在Google Earth Engine上离线训练的深度学习模型能否有效用于实时城市水体提取？
• RQ2 所提出的OTOP方法在城市水体检测中的性能与传统指数（如MNDWI）和集成模型（如随机森林）相比如何？
• RQ3 该OTOP框架在具有不同水体类型和土地覆盖条件的多样化城市环境中具有多大程度的鲁棒性？
• RQ4 该方法是否能够在无需本地数据存储或高端计算资源的情况下，支持大规模、长期的城市水体动态监测？

主要发现

• 在长春、武汉、昆明和广州四个主要中国城市中，OTOP方法在城市水体提取中实现了平均F1分数0.930和交并比（IoU）0.869。
• 平均kappa系数达到0.924，表明预测水体掩膜与参考水体掩膜之间具有高度一致性。
• 在整体精度和鲁棒性方面，该方法优于改进的归一化差异水体指数（MNDWI）和随机森林模型。
• 在其他主要中国城市的扩展验证中，证实了该方法的泛化能力及其对多样化城市水体类型和环境条件的鲁棒性。
• 将MSCNN与GEE集成，实现了高性能推理而无需数据下载或本地存储，显著降低了计算门槛。
• MSCNN的结构设计结合离线训练，实现了在多个空间尺度上的有效特征学习，提升了对复杂城市水体的检测能力。