Large Scale Land Cover Mapping in Ontario, Canada, Using a Deep Learning Framework
Notice bibliographique
Résumé
This study addresses the challenge of large-scale land cover mapping using advanced deep learning models. While state-of-the-art deep learning methods have demonstrated promising results in various remote sensing applications, their efficiency for large-scale semantic segmentation tasks remains underexplored. A key limitation is their reliance on extensive training datasets. To address this issue, we propose a two-stage classification approach that integrates Random Forest (RF) for initial land cover mapping and MobileUNetR, a lightweight hybrid convolution-transformer model, for a refined classification. Leveraging Sentinel-1 and Sentinel-2 data, the land cover map of Ontario at spatial resolution of 10 meter, aligned with the North American Land Change Monitoring System (NALCMS) Level I legend, encompassing 11 classes, is generated. The findings of this study reveal that MobileUNeTR surpasses widely used models like UNet and PSPNet in terms of both accuracy and efficiency, underscoring its suitability for large-scale land cover mapping. In particular, an overall accuracy of 85% and a Kappa coefficient of 0.83 are achieved with MobileUNetR, which has only about one-fourth to one-fifth the number of parameters compared to other deep learning models examined in this study. As the only deep learning model examined in this study combining convolutional and transformer blocks, MobileUNetR demonstrates the superiority of hybrid architectures for large-scale semantic segmentation. This is due to its capability in capturing both local and global features, which are essential for semantic segmentation of heterogeneous land cover classes with varying sizes and spectral signatures.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».