[论文解读] LandCoverNet: A global benchmark land cover classification training dataset

Hamed Alemohammad, Kevin T. Booth|arXiv (Cornell University)|Dec 5, 2020

Remote-Sensing Image Classification被引用 35

一句话总结

LandCoverNet 提供一个开源、全球代表性的 10m Sentinel-2 基于土地覆盖训练数据集，像素级标签通过三名注释者及辅助时间序列模型达成共识而生成。

ABSTRACT

Regularly updated and accurate land cover maps are essential for monitoring 14 of the 17 Sustainable Development Goals. Multispectral satellite imagery provide high-quality and valuable information at global scale that can be used to develop land cover classification models. However, such a global application requires a geographically diverse training dataset. Here, we present LandCoverNet, a global training dataset for land cover classification based on Sentinel-2 observations at 10m spatial resolution. Land cover class labels are defined based on annual time-series of Sentinel-2, and verified by consensus among three human annotators.

研究动机与目标

• 通过专家共识为基于 Sentinel-2 的分类定义全球代表性的土地覆被分类体系。
• 创建一个大规模、开放的训练数据集，包含时序标注像素，以支持全球土地覆盖映射。
• 实施共识标注工作流，以降低在 10 m 分辨率下的人为错误。
• 提供采样方案和数据规范，以实现可重复的基准测试。

提出的方法

• 通过专家研讨会定义分层土地覆被分类。
• 使用基于 MODIS 的类别分布作为采样特征，在各大洲抽样 Sentinel-2 碎块（共 300 个）。
• 提取 256x256 的图块（每个选定瓦片 30 个图块；全球约 9000 个图块；约 589 百万像素）。
• 使用基于时序的标签生成方法，配合一个 Random Forest 预测标签来帮助注释者。
• 从每个图块收集来自三名注释者的逐像素标签，并计算贝叶斯共识分数以确定最终标签。

实验结果

研究问题

• RQ1 如何为 10 m Sentinel-2 图像构建全球代表性、开源的土地覆被训练数据集？
• RQ2 何种采样策略能在全球土地覆被基准中确保大陆多样性与类别平衡，以 CHIPS 表达？
• RQ3 如何利用共识标注和注释者可靠性来生成高质量的 10 m 分辨率像素级土地覆被标签？

主要发现

• LandCoverNet v1.0 覆盖非洲，包含 1980 个图块（256x256），并排除了非洲常见的永久性雪/冰。
• 共识分数普遍偏高；60% 的像素具有 100 的共识分数。
• 逐像素共识分数可用于在高分与低分像素之间调整模型训练置信度。
• 使用每个图块 24 个 Sentinel-2 场景的时序标签方法，以及一个简单的 Random Forest 预测标签，促进了注释者标注。
• 标签通过 Radiant MLHub 以 CC BY 4.0 发布；数据集强调全球多样性和开放获取。