Journal de télédétection et SIG

Abstrait

Une classification par apprentissage automatique pour identifier les maisons adaptées à la recharge de véhicules électriques à partir d'images de télédétection

James Flynn, Giannetti

Au cours de la dernière décennie, les réseaux neuronaux convolutionnels profonds (DCNN) sont devenus un outil puissant pour la classification des images de télédétection. Dans cet article multidisciplinaire, nous démontrons une nouvelle application de l'apprentissage automatique dans le domaine de la télédétection en développant un flux de travail pour étudier les zones urbaines à la recherche de propriétés résidentielles adaptées à la recharge de véhicules électriques. Une approche d'apprentissage par transfert affiné est présentée comme une nouvelle méthode d'analyse des données d'images de télédétection. Un ensemble de données unique composé d'images Google Street View provenant de plusieurs villes et villages du Royaume-Uni est utilisé pour entraîner et comparer trois réseaux neuronaux et représente la première tentative de classification des allées résidentielles à partir d'images de paysage urbain à l'aide de l'apprentissage automatique. Lors du test du flux de travail complet sur deux zones urbaines, le système complet atteint des précisions de 87,2 % et 89,3 % respectivement. Cette preuve de concept démontre une nouvelle application prometteuse de l'apprentissage profond dans le domaine de la télédétection, de l'analyse géospatiale et de l'urbanisme.