Published January 1, 2020
| Version v1
Publication
Open
A Convolutional Neural Network for Coastal Classification Based on ALOS and NOAA Satellite Data
Creators
- 1. VNU University of Science
Description
Although coastal classification has been attended in recent years, it is still a complicated problem in quantitative geomorphological and hydrological sciences.Nowadays, the integration of deep learning in remote sensing and GIS analysis can quickly classify and detect different characteristics on both land and sea.Therefore, the authors proposed the use of a convolutional neural network (ConvNet) for coastal classification based on these technologies and geomorphic profile graphs.The primary input data is digital elevation/depth models obtained from ALOS and NOAA satellite.Eight hundred coastal samples representing eight types of coasts taken along the coastline in Vietnam were used for training and testing various ConvNets.As a result, three ConvNet models using three different optimizer functions were developed with the accuracies of about 98% and low values of the loss function.These models were used to classify 1029 in 1150 coasts (equal to 89%) in Vietnam.Nearly 11% of Vietnamese coasts could not be defined by three ConvNet models due to their complex geomorphic profile graphs, and require assessments of other natural components.The trained ConvNet models can potentially update new coastal types in different tropical countries towards coastal classification on national and global scales.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
على الرغم من أن التصنيف الساحلي قد تم تناوله في السنوات الأخيرة، إلا أنه لا يزال يمثل مشكلة معقدة في العلوم الجيومورفولوجية والهيدرولوجية الكمية. في الوقت الحاضر، يمكن لدمج التعلم العميق في الاستشعار عن بعد وتحليل نظم المعلومات الجغرافية أن يصنف ويكتشف بسرعة الخصائص المختلفة على كل من الأرض والبحر. لذلك، اقترح المؤلفون استخدام شبكة عصبية ملتوية (ConvNet) للتصنيف الساحلي بناءً على هذه التقنيات والرسوم البيانية الجيومورفية. بيانات المدخلات الأولية هي الارتفاع الرقمي/نماذج العمق التي تم الحصول عليها من ALOS وساتل NOAA. تم استخدام ثمانمائة عينة ساحلية تمثل ثمانية أنواع من السواحل المأخوذة على طول الساحل في فيتنام للتدريب واختبار مختلف ConvNets. ونتيجة لذلك، تم تطوير ثلاثة نماذج ConvNet باستخدام ثلاث وظائف محسن مختلفة بدقة حوالي 98 ٪ وقيم منخفضة لوظيفة الخسارة. تم استخدام هذه النماذج لتصنيف 1029 في 1150 سواحل (أي ما يعادل 89 ٪) في فيتنام. لا يمكن تحديد ما يقرب من 11 ٪ من السواحل الفيتنامية من خلال ثلاثة نماذج ConvNet بسبب رسومها البيانية الجيومورفية المعقدة، وتتطلب تقييمات للمكونات الطبيعية الأخرى. يمكن لنماذج ConvNet المدربة من المحتمل تحديث الأنواع الساحلية الجديدة في مختلف البلدان الاستوائية نحو التصنيف الساحلي على المستويين الوطني والعالمي.Translated Description (French)
Bien que la classification côtière ait été suivie ces dernières années, elle reste un problème complexe en sciences géomorphologiques et hydrologiques quantitatives. Aujourd'hui, l'intégration de l'apprentissage en profondeur dans la télédétection et l'analyse SIG peut rapidement classer et détecter différentes caractéristiques sur terre et en mer. Par conséquent, les auteurs ont proposé l'utilisation d'un réseau neuronal convolutif (ConvNet) pour la classification côtière basée sur ces technologies et graphiques de profils géomorphologiques. Les données d'entrée principales sont l'élévation numérique/modèles de profondeur obtenus à partir du satellite ALOS et NOAA. Huit cents échantillons côtiers représentant huit types de côtes prises le long du littoral vietnamien ont été utilisés pour la formation et les tests de divers ConvNets. En conséquence, trois modèles ConvNet utilisant trois fonctions d'optimisation différentes ont été développés avec une précision d'environ 98 % et de faibles valeurs de la fonction de perte. Ces modèles ont été utilisés pour classer 1029 sur 1150 côtes (soit 89 %) au Vietnam. Près de 11 % des côtes vietnamiennes n'ont pas pu être définies par trois modèles ConvNet en raison de leurs graphiques de profil géomorphiques complexes et nécessitent des évaluations d'autres composants naturels. Les modèles ConvNet formés peuvent potentiellement mettre à jour de nouveaux types côtiers dans différents pays tropicaux vers une classification côtière à l'échelle nationale et mondiale.Translated Description (Spanish)
Aunque la clasificación costera ha sido atendida en los últimos años, sigue siendo un problema complicado en las ciencias geomorfológicas e hidrológicas cuantitativas. Hoy en día, la integración del aprendizaje profundo en la teledetección y el análisis SIG puede clasificar y detectar rápidamente diferentes características tanto en tierra como en mar. Por lo tanto, los autores propusieron el uso de una red neuronal convolucional (ConvNet) para la clasificación costera basada en estas tecnologías y gráficos de perfil geomórfico. Los datos de entrada primarios son la elevación digital/modelos de profundidad obtenidos del satélite alos y NOAA. Se utilizaron ochocientas muestras costeras que representan ocho tipos de costas tomadas a lo largo de la costa en Vietnam para entrenar y probar varias ConvNets. Como resultado, se desarrollaron tres modelos ConvNet que utilizan tres funciones optimizadoras diferentes con las precisiones de alrededor del 98% y valores bajos de la función de pérdida. Estos modelos se utilizaron para clasificar 1029 en 1150 costas (igual al 89%) en Vietnam. Casi el 11% de las costas vietnamitas no pudieron ser definidas por tres modelos ConvNet debido a sus complejos gráficos de perfil geomórfico, y requieren evaluaciones de otros componentes naturales. Los modelos ConvNet entrenados pueden ser definidos por tres modelos ConvNet debido a sus complejas gráficas de perfil geomórfico, y requieren evaluaciones de otros componentes naturales. Los modelos ConvNet entrenados pueden ser utilizados para clasificar los modelos ConvNet. potencialmente actualizar nuevos tipos costeros en diferentes países tropicales hacia la clasificación costera a escala nacional y mundial.Files
08954724.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:de8dcb8b40622e436830ca9300230dc2
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- شبكة عصبية تحويلية للتصنيف الساحلي بناءً على بيانات الأقمار الصناعية ALOS و NOAA
- Translated title (French)
- Un réseau neuronal convolutif pour la classification côtière basé sur les données satellitaires ALOS et NOAA
- Translated title (Spanish)
- Una red neuronal convolucional para la clasificación costera basada en datos satelitales de alos y NOAA
Identifiers
- Other
- https://openalex.org/W3000541400
- DOI
- 10.1109/access.2020.2965231
References
- https://openalex.org/W1488754570
- https://openalex.org/W2004215498
- https://openalex.org/W2016369762
- https://openalex.org/W2019526273
- https://openalex.org/W2067396672
- https://openalex.org/W2091051902
- https://openalex.org/W2092288650
- https://openalex.org/W2092816129
- https://openalex.org/W2112796928
- https://openalex.org/W2116346789
- https://openalex.org/W2126268893
- https://openalex.org/W2153026862
- https://openalex.org/W2167410880
- https://openalex.org/W2253795368
- https://openalex.org/W2563291237
- https://openalex.org/W2564472836
- https://openalex.org/W2565985444
- https://openalex.org/W2584004661
- https://openalex.org/W2606101940
- https://openalex.org/W2671926856
- https://openalex.org/W2780230834
- https://openalex.org/W2792643794
- https://openalex.org/W2794055043
- https://openalex.org/W2794359703
- https://openalex.org/W2796260359
- https://openalex.org/W2890019386
- https://openalex.org/W2890766736
- https://openalex.org/W2899675781
- https://openalex.org/W2905553758
- https://openalex.org/W2913959863
- https://openalex.org/W2915963825
- https://openalex.org/W2922719512
- https://openalex.org/W2924082650
- https://openalex.org/W2943214363
- https://openalex.org/W2945667202
- https://openalex.org/W2947043668
- https://openalex.org/W2949615858
- https://openalex.org/W2950123062
- https://openalex.org/W2951841689
- https://openalex.org/W2952767732
- https://openalex.org/W2955034228
- https://openalex.org/W2961466663
- https://openalex.org/W2963037989
- https://openalex.org/W2965127303
- https://openalex.org/W2965881028
- https://openalex.org/W2966041446
- https://openalex.org/W2968729886
- https://openalex.org/W2973184731
- https://openalex.org/W2973455398
- https://openalex.org/W2975758778
- https://openalex.org/W2976820585
- https://openalex.org/W2977090522
- https://openalex.org/W2988455866
- https://openalex.org/W3013677525
- https://openalex.org/W4242022313