Resumen

La recopilación precisa y oportuna de información sobre el uso y la ocupación del suelo urbano es crucial para muchos aspectos del desarrollo urbano y la protección del medio ambiente. Las imágenes de teledetección de muy alta resolución (VHR) han permitido detectar y distinguir información detallada sobre el terreno. Sin embargo, la abundante información de textura y los limitados canales espectrales de las imágenes VHR provocan un aumento de la varianza intraclase y una disminución de la varianza interclase. Numerosos estudios sobre algoritmos de clasificación basados en píxeles revelaron que existían algunas limitaciones en la extracción de información sobre la cubierta terrestre con imágenes de teledetección VHR cuando se aplicaban los clasificadores convencionales basados en píxeles. Con el objetivo de evaluar las ventajas de las estrategias de ensamblaje de clasificadores y el método de análisis de imágenes basado en objetos (OBIA) para la clasificación de datos de satélite VHR en zonas urbanas complejas, presentamos un enfoque integrado de segmentación multiescala OBIA y un método de ensamblaje de clasificadores maduro denominado bosque aleatorio. El marco fue probado en China GaoFen-1 (GF-1), y GF-2 VHR datos de teledetección sobre el distrito central de negocios (CBD) de Zhengzhou metropolitana. El flujo de procesos del marco propuesto incluye la fusión de datos, la segmentación de imágenes multiescala, la evaluación de la mejor escala de segmentación óptima, la extracción de características de textura multivariante, la construcción de clasificadores de aprendizaje de conjuntos de bosques aleatorios, la evaluación de la precisión y el consumo de tiempo. Las ventajas del marco propuesto se compararon y discutieron con varios algoritmos maduros de aprendizaje automático de última generación, como el k-nearest neighbor (KNN), la máquina de vectores soporte (SVM) y el clasificador de árbol de decisión (DTC). Los resultados experimentales muestran que la OA del método propuesto alcanza el 99,29 y 98,98 para los conjuntos de datos GF-1 y GF-2, respectivamente. Y el OA se incrementa en un 26,89%, 11,79%, 11,89% y 4,26 en comparación con los algoritmos tradicionales de aprendizaje automático, como el clasificador de árbol de decisión (DTC), la máquina de vectores soporte (SVM), k-nearest neighbor (KNN) y random forest (RF) en la prueba del conjunto de datos GF-1; el OA se incrementa en un 32,31%, 13,48%, 9,77% y 7,72 en el conjunto de datos GF-2. En términos de consumo de tiempo, por estadística aproximada, OBIA-RF gasta 223,55 s, SVM gasta 403,57 s, KNN gasta 86,93 s, y DT gasta 0,61 s de media de los conjuntos de datos GF-1 y GF-2. Teniendo en cuenta la precisión de la clasificación y el tiempo de ejecución, el método propuesto tiene una buena capacidad de generalización y robustez para la clasificación de superficies urbanas complejas con datos de teledetección de alta resolución.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:clasificador de árbol de decisión, máquina de vectores soporte, knn, svm, vhr, marco, método, conjunto de datos gf-1, conjunto de datos gf-2, vecino más próximo
• Keywords:decision tree classifier, support vector machine, knn, svm, vhr, framework, method, gf-1 dataset, gf-2 dataset, nearest neighbor