针对SPOT-5 HRG影像采用机器选择学习算法从像元和对象的角度对农业景观分类的图像分析比较外文翻译资料

 2022-10-22 16:52:08

英语原文共 14 页,剩余内容已隐藏,支付完成后下载完整资料


针对SPOT-5 HRG影像采用机器选择学习算法从像元和对象的角度对农业景观分类的图像分析比较

摘要:

本文在基于像元和基于对象的图像分析方法的基础上,使用以下三个机器学习监督算法对广阔的农业土地覆盖分类进行比较:决策树(DT),随机森林(RF),和支持向量机(SVM)。在应用相同的机器学习算法时,基于像元和基于对象的总体分类精度均无显著统计学意义(Pgt; 0.05)。使用基于对象的图像分析进行分类时,DT算法的分类精确度无论是与RF算法(p=0.0116)或SVM算法(P=0.0067)相比,均有统计学显著差异。使用基于像元的图像分析时,不同的分类算法产生的分类精度无统计学显著差异(Pgt; 0.05)。无论是使用基于像元或基于对象的图像分析,相对于DT算法,基于RF和SVM分类的算法对于湿地,河岸和耕地覆盖类型都提供了一个更充足直观的描绘。在此次研究中,基于像元的分类相比于基于对象的分类使用了较少的变量(15vs300),取得了类似的分类准确度,且需要的时间更少,而基于对象的方法产生了更直观通用的土地分类表现方法。在使用中等空间分辨率对地观测图像对农业环境下的土地进行覆盖类型制图分类时,如果仅基于总体精确性,其结果并没有倾向于其中任何一种图像分析法的优势。

  1. 绪论

利用遥感图像的土地利用和土地覆盖(LULC)分类可以被划分成两种图像分析方法:ⅰ)基于像元分类,ii)基于对象分类。虽然基于像元的分析一直是遥感影像分类的主要方法,但基于对象的图像分析在近十年内也日益普遍(Blaschke, 2010)。在进行以遥感图像分类为目的的过程中,无论将像元或对象作为底层单元,这些单元中所包含的信息(例如,频谱,纹理等)都可以被用来进行各种分类的算法。之前的比较研究已进行并验证对于使用基于像元和/或基于对象的图像分析方法的不同分类算法的相关表现。已选择比较并进行简要总结如下。

1.1使用基于像元或基于对象的算法比较

Huang 等(2002)利用TM数据基于像元进行图像分析,使用了以下四种不同的分类算法比较专题制图精度:支持向量机(SVM),决策树(DTs),神经网络分类器,和最大似然分类器(MLC)。他们的研究结果表明基于SVM-分类的精度一般表现优于其他三个分类算法,Pal (2005)利用 ETM 数据比较了以下两种监督分类算法的精度:支持向量机和随机森林(RFs)(Breiman,2001),并发现这两种算法的分类结果精度相同。Gislason等(2006) 使用MSS数据比较了基于像元的图像分析中的RF方法和多种决策树算法。经过测试,他们发现所选择的决策树算法表现相似,但该RF算法优于Breiman等(1984)的标准决策树表现;同时他们的研究结果还表明了RF算法比修改过的DT算法(提振1R)表现略差一些。Carreiras等(2006) 使用大分辨率(1km)的SPOT-4植被图像利用基于像元的分析方法检验了几种分类算法,其中包括标准DTs,二次判别分析,概率装袋分类树(PBCT)和k-最近邻法(K-NN)。他们的研究通过10倍交叉验证证实并表明了PBCT算法的整体分类精度为最佳。Brenning(2009)为了检测冰川岩层,在陆地卫星ETM 影像的基础上使用基于像元的图像分析法比较了11种分类算法。这种广泛的研究发现,相比于包括SVMs和RFs的所有其他的分类, LDA算法可以得到更显著分类制图结果。利用Landsat TM和ETM 数据,Otukei和Blaschke (2010)利用在基于像元的方法比较了MLC,SVM和DT算法,并且发现DT算法的结果较MLC和SVM更好。在早先的研究中,Laliberte等(2006) 在Quickbird数据图像的基础上利用基于对象的方法对K-NN与DT算法进行比较。他们的研究发现,DT算法相比于K-NN算法能产生更好的整体分类精度,但是相比于后者,前者更加难以实施。

1.2 使用基于像元和基于对象的算法比较

相对应的,目前基于像素和基于对象的图像分析之间的比较也已经进行。例如,Yan等(2006)比较了使用MLC的基于像元图像分析和基于对象的利用Terra先进星载热用辐射和反射辐射仪(ASTER)图像的K-NN图像分析。在他们的研究中,作者表示基于对象的K-NN分类的整体精度显著优于基于像元的MLC分类(分别为83.25%和46.48%)。Yu等(2006) 使用高空间分辨率的数字机载图像比较了利用MLC的基于像元分类和使用K-NN的基于对象的分类,并且使用DT作为在这两种情况下的特征选择的机制。他们的研究表明,虽然列出的48类植被中基于对象的K-NN分类计算得出分类精度平均值只有51%,而MLC基于像元分类的分类精度平均值有61.8%,但基于对象的K-NN分类比基于像元的MLC分类精度高17%。Platt和Rapoza (2008) 使用多光谱IKONOS图像,分别在专家知识的加入和未加入情况下比较了K-NN和MLC两种基于对象和基于像元分类。他们的结果表明,基于对象的加入专家知识的K-NN分类具有最好的总体分类精度(78%),而基于像元的最佳分类是无专家知识时的MLC方法,达到了64%的总精度。Castillejo-Gonzaacute;lez等(2009) 使用多光谱Quickbird数据图像和各种分类算法在农业环境中比较了基于像元和基于对象的分类。最好的基于像元分类是使用非全色锐化图像和MLC算法,而最好的纯面向对象的分类方法是全色锐化图像和MLC,这两种方式分别实现了89.6%和93.69%的高整体精度。他们的研究还表明了当这两个最好的结果使用非全色锐化图像和MLC时,基于像元和基于对象的图像分析与分类精度差异很小(分别为89.60%和90.66%); 然而当使用全色锐化图像时该两方法之间的精度差异显著增长(分别为82.55%和93.69%)。Myint等(2011) 使用QuickBird卫星影像对城市土地覆盖进行分类,他们将基于像元的MLC分类方法结果与基于对象的采用K-NN等一系列模糊隶属函数的分类相比较。对于他们的原始图像的整体精度来说,基于对象分类(90.4%)的表现优于基于像元分类(67.6%);然而他们的测试图像精度之间的差异减少到了小于10%(分别为95.2和87.8%)。最后,在最近的研究中,Dingle Robertson和King (2011) 利用Landset-5 TM图像比较了在两个时间段(1995和2005年)分别使用基于像元和基于对象的图像分析对于农业土地覆盖类型的分类。他们比较了使用了MLC(基于像元)和K-NN(基于对象)的算法所制作的土地覆盖图发现在这些分类之间总体精度差没有显著的统计学显著性。此外,他们在分类后进行了深入的可视化分析,其结果显示使用K-NN基于对象的分类比使用MLC基于像元的分类能更准确地描述分类变化领域。一般情况下,当使用各种遥感影像数据集并利用基于像元和基于对象的方法对从农业到城市土地覆盖类别的总分类精度进行比较时,后者通常优于前者。然而与独立的验证基于像元或基于对象分类不同,许多比较研究通常依靠将相对简单的分类算法(例如,K-NN)用于基于对象的分类,将基于概率算法(例如,MLC)用于基于像元的分类,其中后者是较不适合于非正态分布或包含分类数据的数据集(Franklin amp; Wulder, 2002)。本研究旨在利用选择相似模型的和较优的监督机器学习算法:决策树(DTS),随机森林(RFS)和支持向量机(SVM)来在基于像元和基于对象这两种分类方法中建立桥梁。我们使用从SPOT-5 HRG传感器中获得的中等空间分辨率(10米)多光谱影像对分类输出进行了视觉和统计评估。本研究的目的是绘制加拿大西部的农业集中化发展河岸区的六大土地覆盖类。我们评估了每个图像分析方法和每个选择的机器学习算法,他们能够准确描绘这些选定的土地覆盖类型。

以上建议是针对于使用中等空间分辨率的对地观测图像,且以在农业环境中监测农业景观为目的情况。

2.研究区域

该研究区沿着南萨斯喀彻温河,位于东距阿尔伯塔省和萨斯喀彻温省的省界约90公里处,(图1)。大约80平方公里,该研究区域是已选择用于长期研究土地覆盖变化和土地利用方式的典型加拿大西部草原省份南部的一片大规模流域的一部分。类似的大规模流域先前已经被别人选择以评估水生生态系统随着时间的发展可能造成的潜在影响(如Squires等,2009),并且呈现了水生生态系统对环境的累积影响评估时进行的适当规模和单位的测量(Dubeacute;, 2003; Duinker amp; Greig, 2006;Noble, 2008; Seitz et al., 2011)。事实上在过去的一个世纪中,该地区由于农业的发展对环境的影响,许多原生植被已经被取代,并填补了约有40%小型湿地(Huell,2000),促进了作物的逐步引进且改善了牧场,使其成为现今占草原主导地位的土地。选定的研究领域是典型的近河岸及湿地环境下进行农业活动的区域。这样的环境已经与一系列物种和环境过程连接在一起,如陆地和水生生态系统之间的营养物质的流动,并且这样的环境是在农业环境中用于保护水质最好的管理训练集中区(Cooper et al., 1995;Gordon et al., 2008; Gregory et al., 1991; Naiman amp; Deacute;camps, 1997;Thompson amp; Hansen, 2001; US EPA, 2005)。草原生态区的气候特点是冬季长而寒冷,夏季相对较短但往往很温暖。该地区降水较少较为干燥,所以在该省南部的部分存在半干旱地区(例如,大沙山)。

图1. 位于南温河(加拿大萨斯喀彻温省)的研究领域。

插图显示研究区SPOT-5 10米HRG假彩色图像(R= 近红外,G=红,B =绿)。

3.研究方法

3.1 数据集和数据处理

3.1.1 辅助数据集

若干加拿大数字高程数据(CDED)的数字高程模型(DEM)是从GeoBase 空间数据门户网站(www.geobase.ca)在线下载的。在小于北纬68°处,CDED DEM具有大约一个23米(南北向)times;16-11米(东西向)的水平交间距。投影到阿尔伯斯等面积圆锥投影和最近邻重采样后,CDED DEM转化为16times;16 m像素。此次研究所有数据最终选择使用阿尔伯斯等面积圆锥投影是由于其可以保持已知区域的面积和形状的特点,且由于通用横轴墨卡托投影将跨越多个区域,会在最后的地图输出引入潜在的投影相关错误。其中海拔,坡度,坡向,地形特征等(例如,脊,通道,平面)(Pike, 2000)是由CDED DEM计算且包括在分类过程的变量中的。其他辅助数据集(例如,道路网络,大地测量纪念碑,行政边界等)是从GeoSask空间数据门户网站(www.geosask.ca)网上下载的,并用作卫星图像几何及正射校正参考层。

3.1.2 遥感图像

SPOT-5卫星的全色(2.5米)和多光谱(10米)影像是从从艾伯塔陆地成像公司(www.imagingcenter.ca)获得的。该SPOT-5影像收集于2005年8月28日。在同年获取的高分辨率(60cm)SPOT-5影像的数码彩色航空正射影像是从萨斯喀彻温省的地理空间影像协作(www.flysask.ca)在线数据门户网站下载的。该全色图像是使用SPOT-5传感器和CDED DEM镶嵌的有理多项式系数模型和从辅助层(道路网络和大地测量纪念碑)获得的地面控制点一起进行正射校正。使用一阶多项式变换得到0.3个像素的均方根误差(RMSE)进行图像到地图的变换。之后将多光谱图像与全色图像结合,使用一阶多项式变换实现小于0.5像素的RMSE。视觉评估确定了所有的影像源均与具有较高的空间精度的附属数据层进行了校正(例如,道路网络,四分之一截面图,等等)。多光谱SPOT-5影像被实验用于合适的代表性研究区域,之后完整的SPOT-5影像中的一个630times;553像素子集(348390个像素)被选中用于分析(图1)。

SPOT-5多光谱图像被用于辐射处理,并计算出的归一化植被指数(NDVI)层也包括在分析中(Song 等, 2001)。校准的数字号码(DNs)首先由Chander等(2009)利用法国国家空间研究中心(CNES,2009)提供的SPOT-5 HRG传感器更新的校准系数和由G.钱德尔(个人通信,2010年9月)提供的通过Thuiller频谱更新的大气层外太阳辐照系数(Thuillier等人,2003年)概述并转化为顶级气氛反射跟随程序(2009年)。显然大气的影像校正不是利用研究区所缺乏的可同时采集的基于光谱数据或适当的气象资料地面信息而进行的。相反使用了暗对象减法(DOS)的相对修正用来减轻大气散射效应(Chavez,1988)。从共生矩阵计算而得的第二角度的时刻纹理量度是用于计算每个所述的SPOT-5多光谱波段与NDVI层。使用SPOT影像纹理量度被发现可以提高整体的分类精度(Franklin amp; Peddle 1990),并已被证明可以改善图像分割过程的质量(Ryherd amp; Woodcock, 1996)。

SPOT-5多光谱图像的四个波段连同所计算的NDVI图层,纹理量度,DEM和相关景观变量被放置在一个单一的数据集中。这种组合数据集或“图像堆栈”包括了15个单独的层或预测变量(表1)。基于像元的变量是根据我们以往对研究区域土地覆盖类型进行分类的经验从该堆栈中选取的。基于对象的分类使用了几个基于像元的影像图层来作为影像分割的输入图层,并将其作为计算“对象特征”的输入层(详见3.1.3节)。

3.1.3 影像分割和对象特征选取

影像分割是基于对象的图像分析的最基本的一步,从这个过程中产生的图像对象(狭义的影像分割)形成了基于对象的影像分类的基础(Castilla amp; Hay, 2008)。在这项研究中,使用eCognition Developer 8 (Trimble, 2010

剩余内容已隐藏,支付完成后下载完整资料


资料编号:[152737],资料为PDF文档或Word文档,PDF文档可免费转换为Word

原文和译文剩余内容已隐藏,您需要先支付 30元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。