SWRNet: Ein Deep-Learning-Ansatz zur Erkennung kleiner Oberflächenwasserflächen an Bord von Satelliten

Dieser Artikel stellt einen tiefen Lernansatz zur Erkennung kleiner Oberflächenwasserflächen mittels multispektraler Satellitenbilder vor, der die rechnerische Komplexität um den Faktor 18,66 reduziert und die Genauigkeit der Oberflächenwassererkennung um bis zu 14,1 % steigert. Das vorgeschlagene Modell nutzt Nahinfrarot (NIR) in Kombination mit RGB-Spektralbildern, um die Genauigkeit der Oberflächenwassererkennung zu verbessern. Da Oberflächenwasser lediglich einen geringen Anteil der Fernerkundungsdaten ausmacht, entsteht ein Ungleichgewichtsproblem, das durch eine neuartige Verlustfunktion adressiert wird, die regionenbasierte und verteilungsbasierte Verluste kombiniert. Der Artikel führt einen adaptiven Faktor ein, der die Gewichtung zwischen verteilungs- und regionenbasierten Verlustfunktionen automatisch anpasst. Dieser adaptive Faktor wird auf Basis des Verlustwerts des vorherigen Trainingschritts bestimmt. Der mittlere Intersection-over-Union-Wert zwischen den vorhergesagten und den ground-truth-Regionen für Oberflächenwasser beträgt 0,80.