A Novel Boundary Enhancement Network for Surface Water Mapping Based on Sentinel-2 MSI Data
Notice bibliographique
Résumé
Accurate surface water mapping is crucial for monitoring and protecting ecosystem environments. During the past decades, several water extraction methods have been presented and significant progress has been made. However, most of the existing research has mainly focused on reducing the interference factors, such as clouds and cloud shadows, building shadows, and mountain shadows. There are relatively few studies concentrated on the fine extraction of water body boundaries, which is of equal importance for surface water mapping. Therefore, in this article, we developed a novel boundary enhancement network, to improve its ability to extract water boundary information. The proposed BE-Net consists of three modules, i.e., SE, SA, and MFF, which are used to focus on water features, water boundary information, and fuse features of different levels, respectively. In addition, the Sobel edge loss function is adopted. The proposed model was tested on six regions with significant differences in water body morphology and the contribution of the Sobel edge loss function and the three modules were investigated. The results demonstrated that: 1) compared with the state-of-the-art methods, the proposed BE-Net achieved the best accuracy in all testing areas and was all above 97%; 2) Compared with the commonly used loss function, the Sobel edge loss function can better capture the detail boundary information, resulting in higher accuracy; and 3) by integrating the SE, SA, and the MFF modules, a robust boundary enhancement network is constructed, and the water extraction accuracy can be significantly improved.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».