Illuminated Road Extraction Based on Deep Learning Using the Nighttime Light and Multispectral Imageries of SDGSAT-1
Notice bibliographique
Résumé
The 10-m nighttime light (NTL) imagery provided by the Sustainable Development Science Satellite-1 (SDGSAT-1) provided an effective data source for the extraction of SDGSAT-1 illuminated roads on the Earth. Although our previous work introduced an improved U-Net model for illuminated road extraction from the NTL imagery of SDGSAT-1, some of the illuminated roads extracted from the NTL imagery were disconnected due to relatively poor illumination conditions. To improve the accuracy of extracting illuminated roads using NTL imagery, this study used both NTL imagery and daytime multispectral (MS) imagery taken by SDGSAT-1. Several state-of-the-art deep learning models were considered in this work, including U-Net, SegNet, ResUNet, D-LinkNet, DeeplabV3+, and DSC-ResUNet. The predicted results of these models using the combination of NTL and MS (NTL+MS) as the input were compared with those obtained using only the NTL bands as the input. The Precision, Recall, F1, and IoU values of Deeplab V3+, D-LinkNet, Unet, ResUNet, and DSC-ResUNet obtained by using the combination of NTL and MS as the input were higher than those obtained by using only the NTL bands as the input. Meanwhile, the visual comparison also showed that the predicted results of NTL+MS were more accurate and reduced the cases of missing and disconnected road segments. The experimental results demonstrated that the combination of NTL and MS images is effective for improving the accuracy of illuminated road extraction using deep learning.
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) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».