美国基于深度学习的高分辨率建筑用地数据的空间准确性评估
摘要：使用机器学习方法从遥感数据派生出的地理空间数据集通常基于抽象性质的概率输出，这些输出很难转化为可解释的度量。例如，全球人类聚居地图层GHS-BUILT-S2产品报告全球10米x 10米网格中2018年建成区域存在的概率。然而，从业人员通常需要可解释的度量，比如指示建成区域的存在或不存在的二值表面，或者子像素建成表面分数的估计。在本文中，我们评估了GHS-BUILT-S2中建成概率与由高度可靠的参考数据库派生的美国多个地区的参考建成表面分数之间的关系。此外，我们使用一种协议最大化方法确定了一个二值化阈值，从这些建成概率中创建了二值建成土地数据。这些二值表面是输入到一个具有空间显式、尺度敏感的准确性评估中的，其中包括了一种新颖的可视化分析工具，我们将其称为焦点精确率-召回特征图。我们的分析结果显示，将阈值设置为0.5应用于GHS-BUILT-S2时，与由参考建成区域分数派生的二值化建成土地数据达到最大协议。我们在派生的建成区域中发现了高水平的准确性（即，县级的F-1分数平均接近0.8），并且在研究区域的农村-城市梯度上一直保持高精度。这些结果揭示了基于Sentinel-2数据和深度学习的人类聚居模型在农村和城市地区相较于之前基于Landsat的全球人类聚居图层版本，具有显著的准确性改进。
作者：Johannes H. Uhl, Stefan Leyk
论文ID：2303.00841
分类：Physics and Society
分类简称：physics.soc-ph
提交时间：2023-09-01