Buildings and roads detected from 0.5 meter resolution Maxar satellite imagery, Alaskan communities, 2018-2023
Notice bibliographique
Résumé
We created HABITAT (High-resolution Arctic Built Infrastructure and Terrain Analysis Tool), a deep learning-based, high-performance computing-enabled mapping pipeline to automatically detect buildings and roads from high-resolution Maxar satellite imagery in Arctic communities. The code is made available at https://github.com/PermafrostDiscoveryGateway/HABITAT. The pipeline is based on a ResNet50-UNet++ semantic segmentation architecture trained on a training dataset comprised of building and road footprint polygons manually digitized from Maxar satellite imagery across the circumpolar Arctic (including Alaska, Russia, and Canada). From imagery of 285 Alaskan communities acquired between 2018-2023, we detected approximately 250,000 buildings and storage tanks (comprising a 41.76 million square meter footprint) and 15 million meters of road. Building (including storage tanks) footprint polygons and road centerlines were strictly mapped within the boundaries of Alaskan communities (both incorporated places and census designated places). After the deep learning model detected building and road footprints, post-processing was performed to smooth out building footprints, extract centerlines from road footprints, and remove falsely-detected infrastructure. In particular, a buffer is created around developed land cover identified by the 2016 Alaska National Land Cover Database map, and model predictions that fall outside of the buffer are assumed to be confused with non-infrastructure land cover.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».