предыдущий|следующий

WHU-RuR: эталонный набор данных для извлечения сельских (высококачественных сельхозугодий) дорог из спутниковых изображений высокого разрешения

  • role： First author第一作者
  • Affiliation：

    School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China

    College of Geomatics, Xi'an University of Science and Technology, Xi'an 710054, China

  • Email：wangningjing@stu.xust.edu.cn
  • Introduction：王宁静，研究方向为高分辨率遥感图像智能解译。E-mail： wangningjing@stu.xust.edu.cn
WANG Ningjing12,  
  • role： Corresponding author通信作者
  • Affiliation：

    School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China

    Institute of Aerospace Science and Technology, Wuhan University, Wuhan 430079, China

  • Email：wangxinyu@whu.edu.cn
  • Introduction：王心宇，研究方向为遥感信息智能处理与应用。E-mail： wangxinyu@whu.edu.cn
WANG Xinyu14*,  
  • Affiliation：

    State Key Laboratory of Information Engineering in Surveying, Wuhan University, Wuhan 430079, China

PAN Yang3,  
  • Affiliation：

    Department of Land Surveying and Geoinformatics, The Hong Kong Polytechnic University, Hong Kong 999077, China

LU Xiaoyan5,  
  • Affiliation：

    College of Geomatics, Xi'an University of Science and Technology, Xi'an 710054, China

YAO Wanqiang2,  
  • Affiliation：

    State Key Laboratory of Information Engineering in Surveying, Wuhan University, Wuhan 430079, China

ZHONG Yanfei3,  
  • Affiliation：

    School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China

    Institute of Aerospace Science and Technology, Wuhan University, Wuhan 430079, China

GONG Jianya14

реферат

Строительство высококачественных сельхозугодий является ключевой мерой для повышения производственных мощностей Китая и обеспечения продовольственной безопасности. Среди них сельские дороги (высококачественные сельхозугодья), такие как полевые и производственные дороги, являются одним из основных компонентов инфраструктуры высококачественных сельхозугодий. Быстрое и точное извлечение сельских дорог с использованием спутниковых изображений высокого разрешения имеет важное значение для мониторинга и управления строительством высококачественных сельхозугодий. В последние годы методы глубокого обучения и эталонные наборы данных для извлечения городских дорог развиваются стремительно, но из-за значительных различий в распределении городских и сельских дорог обученные модели для городских дорог сложно напрямую применять для извлечения сельских дорог. В данной статье на основе данных спутниковых изображений высокого разрешения систематически создан первый эталонный набор данных для извлечения сельских (высококачественных сельхозугодий) дорог (WHU-RuR). Этот набор данных является на данный момент крупнейшим открытым набором с наибольшим покрытием сельхозугодий, наибольшим количеством категорий сельских дорог, самой сложной сельской фоновой обстановкой и объемом данных, с такими характеристиками: покрытие типичных сельских районов в 7 провинциях Китая (Хубэй, Хунань, Шэньси, Сычуань, Аньхой, Хэнань и Хэбэй) на севере, центре, востоке, северо-западе и юго-западе страны; включает в себя 25922 пары спутниковых изображений высокого разрешения и образцов дорог (пространственное разрешение 0,3 м, размер 1024×1024 пикселей) для обучающего и тестового наборов. Также для проверки применимости WHU-RuR была проведена всесторонняя оценка современных методов глубокого обучения для задачи извлечения сельских дорог. Эксперименты показали, что набор данных WHU-RuR в целом удовлетворяет потребности в извлечении сельских дорог и имеет значительный потенциал для применения в мониторинге и управлении высококачественными сельхозугодьями. Ссылка на набор данных: https://doi.org/10.57760/sciencedb.09181.

ключеви́че слова́

извлечение сельских дорог; высококачественные сельхозугодья; спутниковые изображения высокого разрешения; эталонный набор данных дистанционного зондирования; глубокое обучение

References

  1. 1.
    Chaurasia A and Culurciello E. 2017. LinkNet: exploiting encoder representations for efficient semantic segmentation//2017 IEEE Visual Communications and Image Processing (VCIP). St. Petersburg: IEEE: 1-4
  2. 2.
    Chen L C, Zhu Y K, Papandreou G, Schroff F and Adam H. 2018. Encoder-decoder with atrous separable convolution for semantic image segmentation. arXiv:1802.02611
  3. 3.
    Demir I, Koperski K, Lindenbaum D, Pang G, Huang J, Basu S, Hughes F, Tuia D and Raskar R. 2018. DeepGlobe 2018: a challenge to parse the earth through satellite images//Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. Salt Lake City: IEEE: 172-181
  4. 4.
    Geng K, Sun X, Yan Z Y, Diao W H and Gao X. 2020. Topological space knowledge distillation for compact road extraction in optical remote sensing images. Remote Sensing, 12(19): 3175
  5. 5.
    Lu X Y, Zhong Y F, Zheng Z and Zhang L P. 2021. GAMSNet: globally aware road detection network with multi-scale residual learning. ISPRS Journal of Photogrammetry and Remote Sensing, 175: 340-352
  6. 6.
    Mnih V. 2013. Machine Learning for Aerial Image Labeling. Toronto: University of Toronto
  7. 7.
    National People’s Congress Standing Committee of the People’s Republic of China. 2019. Land Administration Law of the People’s Republic of China
  8. 8.
    Pan Y, Wang X Y, Zhang L P and Zhong Y F. 2023. E2EVAP: end-to-end vectorization of smallholder agricultural parcel boundaries from high-resolution remote sensing imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 203: 246-264
  9. 9.
    Ronneberger O, Fischer P and Brox T. 2015. U-net: convolutional networks for biomedical image segmentation//18th International Conference on Medical Image Computing and Computer-Assisted Intervention–MICCAI 2015. Munich: Springer: 234-241
  10. 10.
    State Council of the People’s Republic of China. 2011. Regulations on the Protection of Prime Farmland (中华人民共和国国务院. 2011. 基本农田保护条例)
  11. 11.
    Van Etten A, Lindenbaum D and Bacastow T M. 2019. SpaceNet: a remote sensing dataset and challenge series. arXiv preprint arXiv: 1807.01232
  12. 12.
    Wang J J, Zheng Z, Ma A L, Lu X Y and Zhong Y F. 2022. LoveDA: a remote sensing land-cover dataset for domain adaptive semantic segmentation. arXiv preprint arXiv: 2110.08733
  13. 13.
    Wei Y N, Wang Z L and Xu M. 2017. Road structure refined CNN for road extraction in aerial image. IEEE Geoscience and Remote Sensing Letters, 14(5): 709-713
  14. 14.
    Wu Q Q, Wang S, Wang B and Wu Y L. 2022. Road extraction method of high-resolution remote sensing image on the basis of the spatial information perception semantic segmentation model. National Remote Sensing Bulletin, 26(9): 1872-1885
  15. 15.
    Wu T, Xiang L G and Gong J Y. 2016. Updating road networks by local renewal from GPS trajectories. ISPRS International Journal of Geo-Information, 5(9): 163
  16. 16.
    Yang D F, Zhao J W, Li Y F, Xiao P and Yang J L. 2023. Iterative nearest edge algorithm for aerial image road dataset preparation. Acta Geodaetica et Cartographica Sinica, 52(1): 82-92
  17. 17.
    Yang Z G, Zhou D X, Yang Y, Zhang J P and Chen Z H. 2023. Road extraction from satellite imagery by road context and full-stage feature. IEEE Geoscience and Remote Sensing Letters, 20: 8000405
  18. 18.
    Zhang Z X, Liu Q J and Wang Y H. 2018. Road extraction by deep residual U-net. IEEE Geoscience and Remote Sensing Letters, 15(5): 749-753
  19. 19.
    Zhong Y F, Hu X, Luo C, Wang X Y, Zhao J and Zhang L P. 2020. WHU-Hi: UAV-borne hyperspectral with high spatial resolution (H2) benchmark datasets and classifier for precise crop identification based on deep convolutional neural network with CRF. Remote Sensing of Environment, 250: 112012
  20. 20.
    Zhong Y F, Yan B W, Yi J J, Yang R Y, Xu M Z, Su Y, Zheng Z D and Zhang L P. 2023. Global urban high-resolution land-use mapping: from benchmarks to multi-megacity applications. Remote Sensing of Environment, 298: 113758
  21. 21.
    Zhou L C, Zhang C and Wu M. 2018. D-LinkNet: LinkNet with pretrained encoder and dilated convolution for high resolution satellite imagery road extraction//Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. Salt Lake City: IEEE: 182-186
  22. 22.
    Zhou M T, Sui H, Chen S X, Wang J D and Chen X. 2020. BT-RoadNet: a boundary and topologically-aware neural network for road extraction from high-resolution remote sensing imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 168: 288-306
  23. 23.
    Zhu Q Q, Guo X, Deng W H, Shi S N, Guan Q F, Zhong Y F, Zhang L P and Li D R. 2022. Land-use/land-cover change detection based on a Siamese global learning framework for high spatial resolution remote sensing imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 184: 63-78

Читать полностью

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website