Βελτίωση της απόδοσης της Ταξινόμησης της κάλυψης εδάφους στην Δυτική Αυστραλία χρησιμοποιώντας πολλαπλών πηγών τηλεπισκοπικά δεδομένα
Από RemoteSensing Wiki
| Γραμμή 26: | Γραμμή 26: | ||
Οι συνολικές ακρίβειες ταξινόμησης των διαφορετικών συνόλων δεδομένων χρησιμοποιώντας την προσέγγιση stack vector συνοψίζονται στον πίνακα 1, συμπεριλαμβανομένων των αποτελεσμάτων των ταξινομητών ML και SVM. Είναι προφανές ότι οι ταξινομητές SVM αποδίδουν καλύτερα από τον ταξινομητή ML, ιδιαίτερα για τα σύνθετα σύνολα δεδομένων. Όλοι οι συνδυασμοί που παράχθηκαν και από τα δυο είδη δεδομένων είχαν ως αποτέλεσμα μια σημαντική βελτίωση στην ακρίβεια της ταξινόμησης σε σύγκριση με οποιαδήποτε αρχικά ενιαία σύνολα δεδομένων. Ο συνδυασμός πολλαπλών-ημερομηνιών Landsat 5 TM και PALSAR εικόνων έδωσε αξιοσημείωτες αυξήσεις στην ακρίβεια ταξινόμησης, με μια βελτίωση του 8,83% και 27,87% για τα δεδομένα Landsat TM και PALSAR αντίστοιχα. Παρόλο που τα δεδομένα υφής SAR είχαν πολύ κακή απόδοση, ο συνδυασμός τους με τα δεδομένα Landsat 5 TM είχε ως αποτέλεσμα μια πολύ υψηλή ακρίβεια ταξινόμησης του 89,39%. Οι βελτιώσεις ήταν 28,2% και 9,16% σε σύγκριση με τα ενιαίου τύπου σύνολα δεδομένων των PALSAR και των Landsat 5 TM εικόνων, αντίστοιχα. | Οι συνολικές ακρίβειες ταξινόμησης των διαφορετικών συνόλων δεδομένων χρησιμοποιώντας την προσέγγιση stack vector συνοψίζονται στον πίνακα 1, συμπεριλαμβανομένων των αποτελεσμάτων των ταξινομητών ML και SVM. Είναι προφανές ότι οι ταξινομητές SVM αποδίδουν καλύτερα από τον ταξινομητή ML, ιδιαίτερα για τα σύνθετα σύνολα δεδομένων. Όλοι οι συνδυασμοί που παράχθηκαν και από τα δυο είδη δεδομένων είχαν ως αποτέλεσμα μια σημαντική βελτίωση στην ακρίβεια της ταξινόμησης σε σύγκριση με οποιαδήποτε αρχικά ενιαία σύνολα δεδομένων. Ο συνδυασμός πολλαπλών-ημερομηνιών Landsat 5 TM και PALSAR εικόνων έδωσε αξιοσημείωτες αυξήσεις στην ακρίβεια ταξινόμησης, με μια βελτίωση του 8,83% και 27,87% για τα δεδομένα Landsat TM και PALSAR αντίστοιχα. Παρόλο που τα δεδομένα υφής SAR είχαν πολύ κακή απόδοση, ο συνδυασμός τους με τα δεδομένα Landsat 5 TM είχε ως αποτέλεσμα μια πολύ υψηλή ακρίβεια ταξινόμησης του 89,39%. Οι βελτιώσεις ήταν 28,2% και 9,16% σε σύγκριση με τα ενιαίου τύπου σύνολα δεδομένων των PALSAR και των Landsat 5 TM εικόνων, αντίστοιχα. | ||
| - | [[Εικόνα:Stlas_aust_3_09.gif|right|thumb||Εικόνα 2 : Τα αποτελέσματα της ταξινόμησης των τριών-ημερομηνιών εικόνων Landsat 5 TM (αριστερά) και του συνδυασμού των τριών-ημερομηνιών εικόνων Landsat 5 TM και των δεδομένων υφής PALSAR (δεξιά).[http://www.gmat.unsw.edu.au/snap/publications/chu&ge2011a.pdf]πηγή]] | + | [[Εικόνα:Stlas_aust_3_09.gif|right|thumb||Εικόνα 2 : Τα αποτελέσματα της ταξινόμησης των τριών-ημερομηνιών εικόνων Landsat 5 TM (αριστερά) και του συνδυασμού των τριών-ημερομηνιών εικόνων Landsat 5 TM και των δεδομένων υφής PALSAR (δεξιά).[http://www.gmat.unsw.edu.au/snap/publications/chu&ge2011a.pdf]πηγή]]<br> |
| - | [[Εικόνα:Stlas_aust_4_09.jpg|center|image|]]<i>Πίνακας 1 : Η ακρίβεια της ταξινόμησης της κάλυψης εδάφους των διαφόρων συνόλων δεδομένων.[http://www.gmat.unsw.edu.au/snap/publications/chu&ge2011a.pdf]πηγή]]</i> | + | [[Εικόνα:Stlas_aust_4_09.jpg|center|image|]]<i>Πίνακας 1 : Η ακρίβεια της ταξινόμησης της κάλυψης εδάφους των διαφόρων συνόλων δεδομένων.[http://www.gmat.unsw.edu.au/snap/publications/chu&ge2011a.pdf]πηγή]]</i><br><br> |
| - | Ο πίνακας 2 δείχνει τα αποτελέσματα της ταξινόμησης σύμφωνα με την προτεινόμενη τεχνική επιλογής χαρακτηριστικών (FS) και την προσέγγιση επιλογής μη-χαρακτηριστικών. Όπως φαίνεται, για τις δυο πρώτες περιπτώσεις η τεχνική FS δεν παρείχε μια διαφορετική λύση σε σχέση με την προσέγγιση μη επιλογής χαρακτηριστικών και στις δυο περιπτώσεις όλα τα χαρακτηριστικά είχαν επιλεγεί. Ωστόσο, στις δυο τελευταίες περιπτώσεις η προσέγγιση FS έδωσε πολύ θετικά αποτελέσματα. Αυτά τα αποτελέσματα δείχνουν ότι η προτεινόμενη μέθοδος FS λειτούργησε αρκετά καλά με τα πιο σύνθετα συνδυασμένα σύνολα δεδομένων. Αξίζει επίσης να σημειωθεί ότι σε αντίθεση με τον ταξινομητή SVM τα αποτελέσματα της ταξινόμησης που χρησιμοποιεί τον ταξινομητή ML ήταν ελαφρώς μειωμένα. | + | Ο πίνακας 2 δείχνει τα αποτελέσματα της ταξινόμησης σύμφωνα με την προτεινόμενη τεχνική επιλογής χαρακτηριστικών (FS) και την προσέγγιση επιλογής μη-χαρακτηριστικών. Όπως φαίνεται, για τις δυο πρώτες περιπτώσεις η τεχνική FS δεν παρείχε μια διαφορετική λύση σε σχέση με την προσέγγιση μη επιλογής χαρακτηριστικών και στις δυο περιπτώσεις όλα τα χαρακτηριστικά είχαν επιλεγεί. Ωστόσο, στις δυο τελευταίες περιπτώσεις η προσέγγιση FS έδωσε πολύ θετικά αποτελέσματα. Αυτά τα αποτελέσματα δείχνουν ότι η προτεινόμενη μέθοδος FS λειτούργησε αρκετά καλά με τα πιο σύνθετα συνδυασμένα σύνολα δεδομένων. Αξίζει επίσης να σημειωθεί ότι σε αντίθεση με τον ταξινομητή SVM τα αποτελέσματα της ταξινόμησης που χρησιμοποιεί τον ταξινομητή ML ήταν ελαφρώς μειωμένα.<br><br> |
[[Εικόνα:Stlas_aust_5_09.jpg|center|image|]]<i>Πίνακας 2 : Σύγκριση της απόδοσης της ταξινόμησης της κάλυψης του εδάφους μεταξύ της προσέγγισης επιλογής υποσυνόλων χαρακτηριστικών και της επιλογής μη-χαρακτηριστικών. NF= ο αριθμός των επιλεγμένων χαρακτηριστικών.[http://www.gmat.unsw.edu.au/snap/publications/chu&ge2011a.pdf]πηγή]]</i> | [[Εικόνα:Stlas_aust_5_09.jpg|center|image|]]<i>Πίνακας 2 : Σύγκριση της απόδοσης της ταξινόμησης της κάλυψης του εδάφους μεταξύ της προσέγγισης επιλογής υποσυνόλων χαρακτηριστικών και της επιλογής μη-χαρακτηριστικών. NF= ο αριθμός των επιλεγμένων χαρακτηριστικών.[http://www.gmat.unsw.edu.au/snap/publications/chu&ge2011a.pdf]πηγή]]</i> | ||
Αναθεώρηση της 12:26, 30 Ιανουαρίου 2012
Βελτίωση της απόδοσης της Ταξινόμησης της κάλυψης εδάφους στην Δυτική Αυστραλία χρησιμοποιώντας πολλαπλών πηγών τηλεπισκοπικά δεδομένα
Improvement of land cover classification performance in Western Australia using multisource remote sensing data
H.T. CHU AND L. GE, School of Surveying and Spatial Information Systems, The University of New South Wales, Sydney, Australia
[3]
Περίληψη
Η χρήση πολλαπλών-πηγών τηλεπισκοπικών δεδομένων για την χαρτογράφηση της εδαφοκάλυψης έχει προσελκύσει ιδιαίτερη προσοχή, καθώς τα δεδομένα εικόνων είναι πιο εύκολα διαθέσιμα σε σχέση με το παρελθόν. Σε αυτή τη μελέτη αξιολογείται η χρησιμότητα των δεδομένων αυτών με την ταξινόμηση των χαρακτηριστικών της εδαφοκάλυψης στη Δυτική Αυστραλία. Η Διανυσματική Μηχανή Υποστήριξης (SVM) χρησιμοποιήθηκε ως η βασική τεχνική ταξινόμησης, ενώ ο ταξινομητής της Μεγίστης Πιθανοφάνειας (ML) εφαρμόστηκε επίσης, για σύγκριση. Τα αποτελέσματα της παρούσας μελέτης δείχνουν ότι η εφαρμογή των πολλαπλών πηγών τηλεπισκοπικών δεδομένων με τα κατάλληλα σύνολα δεδομένων και τεχνικές ταξινόμησης θα μπορούσαν να βελτιώσουν σημαντικά την ακρίβεια της χαρτογράφησης της εδαφοκάλυψης.
Εισαγωγή
Η ένταξη των πολλαπλών-πηγών τηλεπισκοπικών δεδομένων για την ταξινόμηση της εδαφοκάλυψης έχει προσελκύσει μεγάλη προσοχή από του ερευνητές. Γενικά, υποτίθεται ότι η απόδοση της ταξινόμησης θα ενισχυθεί εάν περισσότερα χαρακτηριστικά συμμετέχουν στις διαδικασίες ταξινόμησης, καθώς η σύγχυση μεταξύ των τάξεων θα μειωθεί. Ωστόσο, η χρήση μεγάλου όγκου δεδομένων δεν δίνει απαραίτητα υψηλή ακρίβεια ταξινόμησης. Αντίθετα, η χρήση πάρα πολλών παραμέτρων και δεδομένων εικόνας θα αυξήσει επίσης, την αβεβαιότητα μέσα στο σύνολο των δεδομένων και μπορεί να μειώσει την ακρίβεια ταξινόμησης. Η παρούσα μελέτη εξετάζει την ικανότητα των πολλαπλών-πηγών τηλεπισκοπικών δεδομένων, συμπεριλαμβανομένων των πολλαπλών-ημερομηνιών Landsat 5 TM, ALOS/PALSAR εικόνων και τις πληροφορίες υφής για την ταξινόμηση της εδαφοκάλυψης στη Δυτική Αυστραλία. Η διαδικασία ταξινόμησης πραγματοποιήθηκε για διαφορετικούς συνδυασμούς συνόλων δεδομένων, προκειμένου να αξιολογηθεί η απόδοση τους στην χαρτογράφηση των χαρακτηριστικών της κάλυψης του εδάφους.
Περιοχή Μελέτης - Μέθοδοι
Η περιοχή μελέτης βρίσκεται στο νότο της πολιτείας της Δυτικής Αυστραλίας (WA). Το έδαφος είναι επίπεδο και χαρακτηρίζεται κυρίως από βοσκοτόπια, καλλιέργειες, δέντρα και μερικές μικρές κατοικημένες περιοχές. Δυο σύνολα τηλεπισκοπικών δεδομένων χρησιμοποιήθηκαν για αυτή τη μελέτη: 7 εικόνες ALOS/PALSAR αποκτήθηκαν μεταξύ Ιανουαρίου και Δεκεμβρίου 2010 και 3 Landsat 5 TM εικόνες που αποκτήθηκαν στις 21/9, 7/10 και 24/11 του 2010 με 7 φασματικά κανάλια και χωρική ανάλυση 30m. Ωστόσο, σε αυτή τη μελέτη μόνο τα 5 φασματικά κανάλια χρησιμοποιήθηκαν.
Και οι ALOS/PALSAR και οι Landsat 5 TM εικόνες καταχωρήθηκαν στο σύστημα συντεταγμένων (UTM, WGS84 datum). Η μη παραμετρική τεχνική ταξινόμησης SVM χρησιμοποιήθηκε ως ο κύριος ταξινομητής για αυτή τη μελέτη. Ωστόσο, ο ταξινομητής της Μεγίστης Πιθανοφάνειας ΜL χρησιμοποιήθηκε επίσης για λόγους σύγκρισης. Οι τάξεις εδαφοκάλυψης στην περιοχή μελέτης ορίστηκαν ως καλλιέργειες (CR), βοσκοτόπια (PA), πυκνή δεντροκάλυψη (DS), αραιά δέντρα (ST) και κατοικημένη περιοχή (RE). Τα χρώματα που δίνονται για την κάθε τάξη φαίνονται παρακάτω.
Αποτελέσματα
Οι συνολικές ακρίβειες ταξινόμησης των διαφορετικών συνόλων δεδομένων χρησιμοποιώντας την προσέγγιση stack vector συνοψίζονται στον πίνακα 1, συμπεριλαμβανομένων των αποτελεσμάτων των ταξινομητών ML και SVM. Είναι προφανές ότι οι ταξινομητές SVM αποδίδουν καλύτερα από τον ταξινομητή ML, ιδιαίτερα για τα σύνθετα σύνολα δεδομένων. Όλοι οι συνδυασμοί που παράχθηκαν και από τα δυο είδη δεδομένων είχαν ως αποτέλεσμα μια σημαντική βελτίωση στην ακρίβεια της ταξινόμησης σε σύγκριση με οποιαδήποτε αρχικά ενιαία σύνολα δεδομένων. Ο συνδυασμός πολλαπλών-ημερομηνιών Landsat 5 TM και PALSAR εικόνων έδωσε αξιοσημείωτες αυξήσεις στην ακρίβεια ταξινόμησης, με μια βελτίωση του 8,83% και 27,87% για τα δεδομένα Landsat TM και PALSAR αντίστοιχα. Παρόλο που τα δεδομένα υφής SAR είχαν πολύ κακή απόδοση, ο συνδυασμός τους με τα δεδομένα Landsat 5 TM είχε ως αποτέλεσμα μια πολύ υψηλή ακρίβεια ταξινόμησης του 89,39%. Οι βελτιώσεις ήταν 28,2% και 9,16% σε σύγκριση με τα ενιαίου τύπου σύνολα δεδομένων των PALSAR και των Landsat 5 TM εικόνων, αντίστοιχα.
Ο πίνακας 2 δείχνει τα αποτελέσματα της ταξινόμησης σύμφωνα με την προτεινόμενη τεχνική επιλογής χαρακτηριστικών (FS) και την προσέγγιση επιλογής μη-χαρακτηριστικών. Όπως φαίνεται, για τις δυο πρώτες περιπτώσεις η τεχνική FS δεν παρείχε μια διαφορετική λύση σε σχέση με την προσέγγιση μη επιλογής χαρακτηριστικών και στις δυο περιπτώσεις όλα τα χαρακτηριστικά είχαν επιλεγεί. Ωστόσο, στις δυο τελευταίες περιπτώσεις η προσέγγιση FS έδωσε πολύ θετικά αποτελέσματα. Αυτά τα αποτελέσματα δείχνουν ότι η προτεινόμενη μέθοδος FS λειτούργησε αρκετά καλά με τα πιο σύνθετα συνδυασμένα σύνολα δεδομένων. Αξίζει επίσης να σημειωθεί ότι σε αντίθεση με τον ταξινομητή SVM τα αποτελέσματα της ταξινόμησης που χρησιμοποιεί τον ταξινομητή ML ήταν ελαφρώς μειωμένα.
Συμπεράσματα
Τα αποτελέσματα αυτής της μελέτης έδειξαν ότι οι χρήσεις των σχετικών χαρακτηριστικών από τα πολλαπλών-πηγών τηλεπισκοπικά δεδομένα μπορούν να βελτιώσουν σημαντικά την ακρίβεια ταξινόμησης. Ο ταξινομητής SVM υπερτερεί από τους παραδοσιακούς ταξινομητές ML στην ταξινόμηση πολύπλοκων συνόλων δεδομένων. Ο συνδυασμός πολλαπλών-ημερομηνιών Landsat 5 TM εικόνων, PALSAR HH εικόνων και των πληροφοριών που προέρχονται από την προτεινόμενη τεχνική μας FS πέτυχε την υψηλότερη ακρίβεια ταξινόμησης του 89,94% με 9,71% και 28,75% βελτίωση της ακρίβειας σε σύγκριση με την ταξινόμηση των πολλαπλών-ημερομηνιών δεδομένων Landsat 5 TM και PALSAR αντίστοιχα.
