Explotando el rendimiento de clasificación de las máquinas de soporte vectorial con datos de espectrorradiómetro de resolución moderada de múltiples tiempos (MODIS) en áreas de acuerdo y desacuerdo de productos de cobertura terrestre existentes
Autores: Vuolo, Francesco; Atzberger, Clement
Idioma: Inglés
Editor: Molecular Diversity Preservation International (MDPI)
Año: 2012
Acceso abierto
Artículo científico
Categoría
Ciencias Medioambientales
Subcategoría
Ciencia y tecnología de los recursos naturales
Palabras clave
Estudios
Conjuntos de datos globales de cobertura terrestre
Inconsistencias
Precisión de clasificación
Algoritmo LS-SVM
Mapa de LC derivado de NDVI
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 4
Citaciones: Sin citaciones
Varios estudios se han centrado en el pasado en la armonización y comparación de conjuntos de datos de cobertura terrestre (LC) a nivel global y han encontrado inconsistencias significativas. A pesar de las discrepancias conocidas entre los productos existentes derivados de datos de sensores satelitales de resolución media, se ha puesto poco énfasis en examinar estos desacuerdos para mejorar la precisión de clasificación general de los futuros mapas de cobertura terrestre. Este trabajo evalúa el rendimiento de clasificación de un algoritmo de máquina de soporte vectorial de mínimos cuadrados (LS-SVM) con respecto a las áreas de acuerdo y desacuerdo entre dos mapas de cobertura terrestre existentes. El enfoque implica el uso de series temporales del Índice de Vegetación de Diferencia Normalizada (NDVI) de 250 m del Espectrorradiómetro de Imágenes de Resolución Moderada (MODIS) (composiciones de 16 días) e indicadores climáticos en cuadrícula. El LS-SVM se entrena con muestras de referencia obtenidas a través de la interpretación visual de imágenes de alta resolución de Google Earth (GE). El núcleo del proceso de entrenamiento se basa en divisiones aleatorias repetidas del conjunto de datos de entrenamiento para seleccionar un pequeño conjunto de vectores de soporte adecuados que optimizan la separabilidad de clases. Se utilizan un gran número de muestras de validación independientes distribuidas en tres regiones contrastantes de Europa (Este de Austria, Macedonia y Sur de Francia) para calcular las precisiones de clasificación para el mapa de LC derivado de NDVI del LS-SVM y para dos productos de LC (disponibles globalmente): GLC2000 y GlobCover. El mapa de LC del LS-SVM reportó una precisión general del 70%. Las precisiones de clasificación variaron del 71% donde GlobCover y GLC2000 coincidieron al 68% para áreas de desacuerdo. Los resultados indican que los productos de LC existentes son tan precisos como el mapa de LC del LS-SVM en áreas de acuerdo (con poco margen para mejoras), mientras que la precisión de clasificación es sustancialmente mejor para el mapa de LC del LS-SVM en áreas de desacuerdo. En promedio, el mapa de LC del LS-SVM fue un 14% y un 18% más preciso en comparación con GlobCover y GLC2000, respectivamente.
Descripción
Varios estudios se han centrado en el pasado en la armonización y comparación de conjuntos de datos de cobertura terrestre (LC) a nivel global y han encontrado inconsistencias significativas. A pesar de las discrepancias conocidas entre los productos existentes derivados de datos de sensores satelitales de resolución media, se ha puesto poco énfasis en examinar estos desacuerdos para mejorar la precisión de clasificación general de los futuros mapas de cobertura terrestre. Este trabajo evalúa el rendimiento de clasificación de un algoritmo de máquina de soporte vectorial de mínimos cuadrados (LS-SVM) con respecto a las áreas de acuerdo y desacuerdo entre dos mapas de cobertura terrestre existentes. El enfoque implica el uso de series temporales del Índice de Vegetación de Diferencia Normalizada (NDVI) de 250 m del Espectrorradiómetro de Imágenes de Resolución Moderada (MODIS) (composiciones de 16 días) e indicadores climáticos en cuadrícula. El LS-SVM se entrena con muestras de referencia obtenidas a través de la interpretación visual de imágenes de alta resolución de Google Earth (GE). El núcleo del proceso de entrenamiento se basa en divisiones aleatorias repetidas del conjunto de datos de entrenamiento para seleccionar un pequeño conjunto de vectores de soporte adecuados que optimizan la separabilidad de clases. Se utilizan un gran número de muestras de validación independientes distribuidas en tres regiones contrastantes de Europa (Este de Austria, Macedonia y Sur de Francia) para calcular las precisiones de clasificación para el mapa de LC derivado de NDVI del LS-SVM y para dos productos de LC (disponibles globalmente): GLC2000 y GlobCover. El mapa de LC del LS-SVM reportó una precisión general del 70%. Las precisiones de clasificación variaron del 71% donde GlobCover y GLC2000 coincidieron al 68% para áreas de desacuerdo. Los resultados indican que los productos de LC existentes son tan precisos como el mapa de LC del LS-SVM en áreas de acuerdo (con poco margen para mejoras), mientras que la precisión de clasificación es sustancialmente mejor para el mapa de LC del LS-SVM en áreas de desacuerdo. En promedio, el mapa de LC del LS-SVM fue un 14% y un 18% más preciso en comparación con GlobCover y GLC2000, respectivamente.