[论文解读] LULC classification methodology based on simple Convolutional Neural Network to map complex urban forms at finer scale: Evidence from Mumbai

Deepank Verma, Arnab Jana|arXiv (Cornell University)|Sep 21, 2019

Remote-Sensing Image Classification参考文献 79被引用 17

一句话总结

本研究提出一种基于10波段Sentinel-2B影像的简单卷积神经网络（CNN）模型，用于在孟买地区以10米分辨率分类土地利用与土地覆盖（LULC），总体准确率达到82%，Kappa统计值为0.81，涵盖14种城市与自然类别。该方法优于传统模型（如随机森林和SVM），可实现复杂城市形态的高分辨率制图，适用于城市规划与环境监测。

ABSTRACT

The satellite imagery classification task is fundamental to spatial knowledge discovery. Several image classification methods are used to create standardized Land use and Land cover (LULC) maps, which facilitate research on spatial and ecological processes and human activities. Local Climate Zones (LCZ) classification maps are an example of standardized maps which have been widely used to demarcate the homogeneity in built and natural character in the cities. The LCZ classification scheme is primarily focused on urban climate-related research, in which 17 climate zones are mapped in a city area with the 100-150m spatial resolution. Each zone exhibits physical properties related to urban form and functions essential for thermal behavior studies. Extending this widely adopted approach to create LULC maps at finer resolution using the LCZ mapping scheme would benefit the allied domains of urban planning, transportation, and water resources management. This study proposes a novel solution to generate classification maps with a 10-band Sentinel-2B dataset and Convolutional Neural Networks (CNN) at the 10m spatial resolution. The classification benefits from CNNs property to preserve local structures in the image datasets. The proposed CNN model outperforms traditional machine learning models such as Artificial Neural Network, Random Forests, and Support Vector Machines. The overall accuracy and kappa statistic of the CNN model trained on 14 urban and natural classes are 82 percent and 0.81, respectively. The study also discusses the utility of the model for specialized remote sensing tasks such as change detection, identification of slum settlements, and mapping pervious/impervious layers in urban settlements with higher accuracy.

研究动机与目标

• 开发一种利用深度学习对复杂城市区域进行高分辨率LULC分类的方法。
• 将局部气候区（LCZ）分类体系扩展至更细的空间尺度（10米），以提升城市气候与环境分析的精度。
• 评估简单CNN模型在分类多样化城市与自然地表类型方面相对于传统机器学习模型的性能。
• 展示该模型在特定遥感任务（如贫民窟检测与不透水面制图）中的实用性。
• 通过高精度、细尺度的LULC制图，支持城市规划、水资源管理与交通研究。

提出的方法

• 本研究使用10波段Sentinel-2B卫星影像作为分类任务的输入，空间分辨率为10米。
• 设计了一种简单的卷积神经网络（CNN），以保留图像数据中的局部空间结构，提升特征提取能力。
• CNN在14个标记的地表覆盖类别上进行训练，包括城市、建筑区、植被、水体和裸土等类型。
• 模型训练与评估采用标准指标：总体准确率与Cohen’s Kappa统计值。
• 性能与传统模型（人工神经网络、随机森林、支持向量机）进行基准对比。
• 该模型进一步应用于特定任务，如变化检测、贫民窟识别及透水/不透水面制图。

实验结果

研究问题

• RQ1 简单的CNN模型是否能在孟买等复杂城市环境中实现对细尺度LULC的高精度分类？
• RQ2 在10米分辨率下，基于CNN的方法相较于传统机器学习模型，在分类准确率与鲁棒性方面表现如何？
• RQ3 所提出的方法在支持特定遥感应用（如贫民窟检测与不透水面制图）方面具有多大程度的适用性？
• RQ4 是否能够有效利用深度学习将LCZ分类框架扩展至更细的空间分辨率？
• RQ5 Sentinel-2B数据结合CNN在数据匮乏的城市区域中，对城市形态制图具有多大潜力？

主要发现

• 所提出的CNN模型在10米分辨率下对14类地表覆盖进行分类时，总体准确率达到82%，Kappa统计值为0.81。
• CNN显著优于传统机器学习模型，包括随机森林、支持向量机和人工神经网络。
• 该模型在识别细微城市特征（如贫民窟聚居区及透水/不透水面层）方面表现出强大能力。
• CNN对局部空间结构的保留，提升了在异质性城市区域中的分类保真度。
• 该方法可实现支持城市规划、水资源管理与交通研究的高分辨率城市形态制图。
• 结果验证了利用深度学习与多光谱卫星数据将LCZ框架扩展至更细尺度的可行性。