Журнал дистанционного зондирования и ГИС

Абстрактный

Классификация машинного обучения для определения домов, подходящих для зарядки электромобилей, с использованием изображений, полученных с помощью дистанционного зондирования

Джеймс Флинн, Джанетти

За последнее десятилетие глубокие сверточные нейронные сети (DCNN) стали мощным инструментом для классификации изображений, полученных с помощью дистанционного зондирования. В этой многопрофильной статье мы демонстрируем новое применение машинного обучения в области дистанционного зондирования, разрабатывая рабочий процесс для обследования городских территорий на предмет наличия жилых объектов, подходящих для зарядки электромобилей. Представлен подход с точной настройкой передачи обучения в качестве нового метода анализа данных изображений, полученных с помощью дистанционного зондирования. Уникальный набор данных, состоящий из изображений Google Street View, полученных из нескольких городов Великобритании, используется для обучения, чтобы сравнить три нейронные сети, и представляет собой первую попытку классификации жилых подъездных путей по изображениям уличного пейзажа с использованием машинного обучения. При тестировании полного рабочего процесса на двух городских территориях полная система достигает точности 87,2% и 89,3% соответственно. Это доказательство концепции демонстрирует многообещающее новое применение глубокого обучения в области дистанционного зондирования, геопространственного анализа и городского планирования.