elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Feature Importance Analysis for Local Climate Zone Classification Using a Residual Convolutional Neural Network with Multi-Source Datasets

Qiu, Chunping und Schmitt, Michael und Mou, Lichao und Ghamisi, Pedram und Zhu, Xiao Xiang (2018) Feature Importance Analysis for Local Climate Zone Classification Using a Residual Convolutional Neural Network with Multi-Source Datasets. Remote Sensing, 10 (10), Seiten 1-14. Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/rs10101572. ISSN 2072-4292.

[img] PDF
2MB

Offizielle URL: https://www.mdpi.com/2072-4292/10/10/1572/pdf-vor

Kurzfassung

Global Local Climate Zone (LCZ) maps, indicating urban structures and land use, are crucial for Urban Heat Island (UHI) studies and also as starting points to better understand the spatio-temporal dynamics of cities worldwide. However, reliable LCZ maps are not available on a global scale, hindering scientific progress across a range of disciplines that study the functionality of sustainable cities. As a first step towards large-scale LCZ mapping, this paper tries to provide guidance about data/feature choice. To this end, we evaluate the spectral reflectance and spectral indices of the globally available Sentinel-2 and Landsat-8 imagery, as well as the Global Urban Footprint (GUF) dataset, the OpenStreetMap layers buildings and land use and the Visible Infrared Imager Radiometer Suite (VIIRS)-based Nighttime Light (NTL) data, regarding their relevance for discriminating different Local Climate Zones (LCZs). Using a Residual convolutional neural Network (ResNet), a systematic analysis of feature importance is performed with a manually-labeled dataset containing nine cities located in Europe. Based on the investigation of the data and feature choice, we propose a framework to fully exploit the available datasets. The results show that GUF, OSM and NTL can contribute to the classification accuracy of some LCZs with relatively few samples, and it is suggested that Landsat-8 and Sentinel-2 spectral reflectances should be jointly used, for example in a majority voting manner, as proven by the improvement from the proposed framework, for large-scale LCZ mapping.

elib-URL des Eintrags:https://elib.dlr.de/124766/
Dokumentart:Zeitschriftenbeitrag
Titel:Feature Importance Analysis for Local Climate Zone Classification Using a Residual Convolutional Neural Network with Multi-Source Datasets
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Qiu, Chunpingtu münchenNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Schmitt, Michaelm.schmitt (at) tum.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Mou, Lichaolichao.mou (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Ghamisi, PedramDLR-IMF/TUM-LMFNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Zhu, Xiao XiangDLR-IMF/TUM-LMFNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:Oktober 2018
Erschienen in:Remote Sensing
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Ja
In SCOPUS:Ja
In ISI Web of Science:Ja
Band:10
DOI:10.3390/rs10101572
Seitenbereich:Seiten 1-14
Verlag:Multidisciplinary Digital Publishing Institute (MDPI)
ISSN:2072-4292
Status:veröffentlicht
Stichwörter:Local Climate Zones (LCZs); Sentinel-2; Landsat-8; spectral reflectance; classification; Residual convolutional neural Network (ResNet)
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Fernerkundung u. Geoforschung
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Hoffmann, Eike Jens
Hinterlegt am:11 Dez 2018 12:47
Letzte Änderung:02 Nov 2023 09:42

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.