원거리 탐사를 통한 토지 피복 및 작물 유형의 심층 학습 분류

심층 학습(DL)은 원거리 탐사(RS) 이미지를 포함한 이미지 처리를 위한 강력한 최첨단 기술입니다. 본 논문에서는 다중 시공간 다원 위성 이미지를 통해 토지 피복 및 작물 유형 분류를 목표로 하는 다층 DL 아키텍처를 설명합니다. 이 아키텍처의 기둥은 광학 이미지 분할 및 구름과 그림자에 의한 누락된 데이터 복원을 위해 사용되는 비지도 신경망(NN)과 지도 NN의 앙상블입니다. 기본 지도 NN 아키텍처로는 전통적인 완전 연결 다층 퍼셉트론(MLP)과 RS 커뮤니티에서 가장 일반적으로 사용되는 방법인 랜덤 포레스트를 사용하며, 이를 합성곱 신경망(CNN)과 비교합니다. 실험은 우크라이나의 작물 평가 및 모니터링 테스트 사이트에서 19개의 다중 시공간 장면을 사용하여 이질적인 환경에서 작물 분류를 위한 공동 실험을 수행합니다. CNN의 앙상블을 가진 아키텍처는 MLP를 가진 아키텍처보다 우수한 성능을 보이며, 특히 옥수수와 콩과 같은 특정 여름 작물 유형을 더 잘 구분하고, 모든 주요 작물(밀, 옥수수, 해바라기, 콩, 사탕무)에 대해 85% 이상의 목표 정확도를 달성합니다.