Extracting built-up land area of airports in China using Sentinel-2 imagery through deep learning
Notice bibliographique
Résumé
In China, airports have a profound impact on people’s lives, and understanding their dimensions has great significance for research and development. However, few existing airport databases contain such details, which can be reflected indirectly by the built-up land in the airport. In this study, a deep learning-based method was used for extraction of built-up land of airports in China using Sentinel-2 imagery and for further estimating their area. Here, a benchmark generation method is introduced by fusing two reference maps and cropping images into patches. Following this, a series of experiments were conducted to evaluate the network architectures and select the positive impact bands in Sentinel-2 imagery. A well-trained model was used to extract the built-up land for China airports, and the relationship between China airports’ built-up land and the carrying capacity of air transportation was further analysed. Results show that ResUNet-a outperformed U-Net, ResUNet, and SegNet, and the B2, B4, B6, B11, and B12 bands of Sentinel-2 had a positive impact on built-up land extraction. A well-trained model with an overall accuracy of 0.9423 and an F1 score of 0.9041 and 434 China airports’ built-up land was extracted. The four most developed airports are located in Beijing, Shanghai, and Guangzhou, which matches China’s political and economic development. The area of built-up land influenced the passenger throughput and aircraft movements. The total area influenced the cargo throughput, and we found a certain correlation among the built-up land, carrying capacity, and nighttime light.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».