The application of the convolutional neural network has shown to greatly improve the accuracy of building extraction from remote sensing imagery. In this paper, we created and made open a high-quality multisource data set for building detection, evaluated the accuracy obtained in most recent studies on the data set, demonstrated the use of our data set, and proposed a Siamese fully convolutional network model that obtained better segmentation accuracy. The building data set that we created contains not only aerial images but also satellite images covering 1000 km 2 with both raster labels and vector maps. The accuracy of applying the same methodology to our aerial data set outperformed several other open building data sets. On the aerial data set, we gave a thorough evaluation and comparison of most recent deep learning-based methods, and proposed a Siamese U-Net with shared weights in two branches, and original images and their down-sampled counterparts as inputs, which significantly improves the segmentation accuracy, especially for large buildings. For multisource building extraction, the generalization ability is further evaluated and extended by applying a radiometric augmentation strategy to transfer pretrained models on the aerial data set to the satellite data set. The designed experiments indicate our data set is accurate and can serve multiple purposes including building instance segmentation and change detection; our result shows the Siamese U-Net outperforms current building extraction methods and could provide valuable reference.

This study describes a novel three-dimensional (3D) convolutional neural networks (CNN) based method that automatically classifies crops from spatio-temporal remote sensing images. First, 3D kernel is designed according to the structure of multi-spectral multi-temporal remote sensing data. Secondly, the 3D CNN framework with fine-tuned parameters is designed for training 3D crop samples and learning spatio-temporal discriminative representations, with the full crop growth cycles being preserved. In addition, we introduce an active learning strategy to the CNN model to improve labelling accuracy up to a required threshold with the most efficiency. Finally, experiments are carried out to test the advantage of the 3D CNN, in comparison to the two-dimensional (2D) CNN and other conventional methods. Our experiments show that the 3D CNN is especially suitable in characterizing the dynamics of crop growth and outperformed the other mainstream methods.

ABSTRACT The Yangtze River Economic Belt (YREB) is a key eco‐environmental protection barrier and economic engine in China. Understanding the characteristics of its eco‐environmental spatiotemporal evolution and mechanisms driving these changes is important for revealing shifts in ecosystem structure and function. However, the governing elements of the ecological environment and how these components interact remain unclear due to the strong coupling impact of urbanization and climate change. This paper constructed a long‐term series remote sensing based ecological index (RSEI) to evaluate the characteristics of eco‐environmental variation of YREB during 2000–2024. Subsequently, the fundamental reasons of the eco‐environmental evolution were quantitatively analyzed using optimal parameters‐based geographical detector (OPGD). Results indicated: (1) The average RSEI of YREB was 0.68, indicating a rather high overall eco‐environmental quality (EEQ), with 73% of the region having RSEI values more than 0.60. The regions with excellent conditions were concentrated in Zhejiang, Jiangxi, Guizhou, and Hunan, while the poorer areas were in northwestern Yunnan, southwestern Sichuan, and western Hubei. (2) The EEQ of YREB mainly showed a degradation trend, with degraded areas exceeding 80% over the past 25 years. In the future, most areas might face higher risks of ecological degradation. (3) Digital elevation model (DEM), temperature (Tem), and population (POP) were key driving factors of the ecological environment. There were significant interactions between certain factors, with the interaction between DEM and potential evapotranspiration (Pet) explaining 62.2% of the ecological quality distribution. The findings assisted the creation of an ecological civilization by offering policy proposals for managing and conserving ecological environments.