Abstract. Urbanization in India has been rapid over the past few decades, which results in a substantial replacement of the natural surfaces into built-up lands. We present a performance evaluation of Sentinel-2B, Landsat-8 multispectral, and AVIRIS-NG hyperspectral imagery for extraction of road and roof surfaces using proposed spectral index-based and other conventional algorithms. The new road extraction index (NREI) and new building extraction index (NBEI) are developed for extraction of road and roof surfaces, respectively. Moreover, existing spectral angle mapper (SAM), spectral information divergence (SID), matched filter (MF), and support vector machine (SVM) are utilized as angle, information, filtering, and machine learning-based algorithms, respectively, for detection of both the surfaces. The results of our study suggest that the performance of AVIRIS-NG sensor is the best in comparison to aforesaid multispectral sensors, whereas Sentinel-2B performs better in comparison to Landsat-8 for extraction of road and roof surfaces. The comparison of various algorithms suggests that proposed indices, MF, and SVM produce the best results for extraction of road and roof surfaces, while SAM and SID are superior algorithms for extraction of both the surfaces in AVIRIS-NG imagery. Further, NREI and MF performed well for extraction of roads followed by NBEI and SAM for roofs in Landsat-8. Finally, NREI, SAM, and SID are found to be efficient for extraction of roads subsequently NBEI, SAM, and SID for roofs in Sentinel-2B imagery.

中文翻译：

---

使用不同算法提取道路和屋顶表面的 Sentinel-2B、Landsat-8 和 AVIRIS-NG 传感器图像的性能评估和比较评估

摘要。在过去的几十年里，印度的城市化进程迅速，这导致大量的自然地表被建筑用地取代。我们对 Sentinel-2B、Landsat-8 多光谱和 AVIRIS-NG 高光谱图像的性能进行了评估，这些图像使用提议的基于光谱索引的算法和其他传统算法来提取道路和屋顶表面。新道路提取指数 (NREI) 和新建筑提取指数 (NBEI) 分别用于提取道路和屋顶表面。此外，现有的光谱角度映射器 (SAM)、光谱信息发散 (SID)、匹配滤波器 (MF) 和支持向量机 (SVM) 分别用作基于角度、信息、过滤和机器学习的算法进行检测的两个表面。我们的研究结果表明，与上述多光谱传感器相比，AVIRIS-NG 传感器的性能最好，而在提取道路和屋顶表面方面，Sentinel-2B 与 Landsat-8 相比性能更好。各种算法的比较表明，建议的指数、MF 和 SVM 为提取道路和屋顶表面产生了最佳结果，而 SAM 和 SID 是用于提取 AVIRIS-NG 图像中的两个表面的优越算法。此外，NREI 和 MF 在提取道路方面表现良好，其次是 NBEI 和 SAM 在 Landsat-8 中提取屋顶。最后，发现 NREI、SAM 和 SID 可以有效地提取道路，随后 NBEI、SAM 和 SID 用于 Sentinel-2B 图像中的屋顶。而在提取道路和屋顶表面方面，Sentinel-2B 与 Landsat-8 相比表现更好。各种算法的比较表明，建议的指数、MF 和 SVM 为提取道路和屋顶表面产生了最佳结果，而 SAM 和 SID 是用于提取 AVIRIS-NG 图像中的两个表面的优越算法。此外，NREI 和 MF 在提取道路方面表现良好，其次是 NBEI 和 SAM 在 Landsat-8 中提取屋顶。最后，发现 NREI、SAM 和 SID 可以有效地提取道路，随后 NBEI、SAM 和 SID 用于 Sentinel-2B 图像中的屋顶。而在提取道路和屋顶表面方面，Sentinel-2B 与 Landsat-8 相比表现更好。各种算法的比较表明，建议的指数、MF 和 SVM 为提取道路和屋顶表面产生了最佳结果，而 SAM 和 SID 是用于提取 AVIRIS-NG 图像中的两个表面的优越算法。此外，NREI 和 MF 在提取道路方面表现良好，其次是 NBEI 和 SAM 在 Landsat-8 中提取屋顶。最后，发现 NREI、SAM 和 SID 可以有效地提取道路，随后 NBEI、SAM 和 SID 用于 Sentinel-2B 图像中的屋顶。而 SAM 和 SID 是用于提取 AVIRIS-NG 图像中的两个表面的高级算法。此外，NREI 和 MF 在提取道路方面表现良好，其次是 NBEI 和 SAM 在 Landsat-8 中提取屋顶。最后，发现 NREI、SAM 和 SID 可以有效地提取道路，随后 NBEI、SAM 和 SID 用于 Sentinel-2B 图像中的屋顶。而 SAM 和 SID 是用于提取 AVIRIS-NG 图像中的两个表面的高级算法。此外，NREI 和 MF 在提取道路方面表现良好，其次是 NBEI 和 SAM 在 Landsat-8 中提取屋顶。最后，发现 NREI、SAM 和 SID 可以有效地提取道路，随后 NBEI、SAM 和 SID 用于 Sentinel-2B 图像中的屋顶。