Comparación de Aprendizaje Automático entre Imágenes Simuladas de WorldView-2 y QuickBird-2 en Relación con la Clasificación de Cobertura del Suelo Urbano Basada en Objetos
Autores: Novack, Tessio; Esch, Thomas; Kux, Hermann; Stilla, Uwe
Idioma: Inglés
Editor: MDPI
Año: 2011
Acceso abierto
Artículo científico
Categoría
Ciencias Medioambientales
Subcategoría
Ciencia y tecnología de los recursos naturales
Palabras clave
Objetivos del estudio
WorldView-2
QuickBird-2
Clasificación de la cobertura terrestre urbana
Parámetros de segmentación
Algoritmos de selección de características
Algoritmos supervisados
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
El objetivo de este estudio es comparar las imágenes de WorldView-2 (WV-2) y las simuladas de QuickBird-2 (QB-2) en cuanto a su potencial para la clasificación de cobertura terrestre urbana basada en objetos. Se encontraron automáticamente los parámetros de segmentación óptimos para cada conjunto de datos y se compararon y discutieron cuantitativamente los resultados obtenidos. Se utilizaron cuatro algoritmos diferentes de selección de características para verificar a qué conjunto de datos pertenecen las características basadas en objetos más relevantes. Se realizaron clasificaciones basadas en objetos con cuatro algoritmos supervisados diferentes aplicados a cada conjunto de datos y se compararon las precisiones obtenidas y los índices de rendimiento del modelo. Los experimentos de segmentación realizados que involucraron bandas exclusivamente disponibles en el sensor WV-2 generaron segmentos ligeramente más similares a nuestros segmentos de referencia (solo alrededor de 0.23 de discrepancia). El cincuenta y siete por ciento de las diferentes características seleccionadas y el 53% de las 80 selecciones se refieren a características que solo se pueden calcular con las bandas adicionales del sensor WV-2. Por otro lado, el 57% de las características más relevantes y el 63% de las segundas características más relevantes también se pueden calcular considerando solo las bandas de QB-2. En 10 de 16 clasificaciones, se lograron valores Kappa más altos cuando también se consideraron características relacionadas con las bandas adicionales del sensor WV-2. En la mayoría de los casos, las clasificaciones realizadas con las características relacionadas con las 8 bandas generaron modelos menos complejos y más eficientes que aquellos generados solo con características relacionadas con las bandas de QB-2. Nuestros resultados llevan a la conclusión de que clases espectralmente similares como techos de tejas de cerámica y suelo desnudo, así como techos de asfalto y de amianto oscuro, pueden ser mejor distinguidas cuando se utilizan las bandas adicionales del sensor WV-2 a lo largo del proceso de clasificación basada en objetos.
Descripción
El objetivo de este estudio es comparar las imágenes de WorldView-2 (WV-2) y las simuladas de QuickBird-2 (QB-2) en cuanto a su potencial para la clasificación de cobertura terrestre urbana basada en objetos. Se encontraron automáticamente los parámetros de segmentación óptimos para cada conjunto de datos y se compararon y discutieron cuantitativamente los resultados obtenidos. Se utilizaron cuatro algoritmos diferentes de selección de características para verificar a qué conjunto de datos pertenecen las características basadas en objetos más relevantes. Se realizaron clasificaciones basadas en objetos con cuatro algoritmos supervisados diferentes aplicados a cada conjunto de datos y se compararon las precisiones obtenidas y los índices de rendimiento del modelo. Los experimentos de segmentación realizados que involucraron bandas exclusivamente disponibles en el sensor WV-2 generaron segmentos ligeramente más similares a nuestros segmentos de referencia (solo alrededor de 0.23 de discrepancia). El cincuenta y siete por ciento de las diferentes características seleccionadas y el 53% de las 80 selecciones se refieren a características que solo se pueden calcular con las bandas adicionales del sensor WV-2. Por otro lado, el 57% de las características más relevantes y el 63% de las segundas características más relevantes también se pueden calcular considerando solo las bandas de QB-2. En 10 de 16 clasificaciones, se lograron valores Kappa más altos cuando también se consideraron características relacionadas con las bandas adicionales del sensor WV-2. En la mayoría de los casos, las clasificaciones realizadas con las características relacionadas con las 8 bandas generaron modelos menos complejos y más eficientes que aquellos generados solo con características relacionadas con las bandas de QB-2. Nuestros resultados llevan a la conclusión de que clases espectralmente similares como techos de tejas de cerámica y suelo desnudo, así como techos de asfalto y de amianto oscuro, pueden ser mejor distinguidas cuando se utilizan las bandas adicionales del sensor WV-2 a lo largo del proceso de clasificación basada en objetos.