O nouă metodă îmbunătățește acuratețea clasificării imaginilor prin teledetecție

Utilizarea terenului/acoperirea terenului (LULC) este un factor major care modelează mediul ecologic. Utilizarea tehnologiei de teledetecție pentru a monitoriza dinamic LULC și a extrage cantitativ informațiile despre schimbarea LULC este un studiu important pentru a face față schimbărilor climatice globale și a menține echilibrul energetic în sistemul Pământului.

Învățarea profundă s-a dovedit a fi eficientă în extragerea LULC din imaginile de teledetecție. În ultimii ani, integrarea mai multor modele de învățare profundă a devenit o modalitate eficientă de a îmbunătăți acuratețea clasificării imaginilor de teledetecție, dar aceste metode de integrare ignoră corelația internă dintre pixeli, rezultând un cost ridicat al timpului de antrenament și o îmbunătățire limitată a preciziei.

O echipă de cercetare condusă de profesorul Huang Chunlin de la Institutul de Ecologie și Resurse de Mediu de Nord-Vest al Academiei Chineze de Științe a efectuat un studiu privind relația internă a pixelilor și utilizarea acestora în clasificarea imaginilor prin teledetecție.

Studiul a fost publicat în Jurnalul ISPRS de Fotogrammetrie și Teledetecție Pe 22 ianuarie.

Cercetătorii au descoperit că utilizarea informațiilor de corelare între pixeli pentru a construi diferite grupuri poate elimina dependența de mai multe modele în procesul de clasificare integrat.

Ei au propus un cadru de clasificare a ansamblului bazat pe binar (DBECF), care elimină necesitatea mai multor clasificatori pentru a îmbunătăți acuratețea clasificării imaginilor de teledetecție.

DBECF poate îmbunătăți în mod eficient acuratețea de clasificare a diferitelor tipuri de imagini cu teledetecție și are avantaje evidente în acuratețe și eficiență în comparație cu modelul de clasificare integrat actual, bazat pe un singur pixel.

În comparație cu clasificarea tradițională bazată pe o singură instanță, DBECF poate obține rezultate diverse de clasificare prin diferite grupuri de instanțe, ceea ce oferă condiții și posibilități de îmbunătățire a preciziei și eficienței prin strategii de ansamblu.

În plus, DBECF depășește dezavantajele consumatoare de timp ale modelului de clasificare integrat existent, oferă o nouă perspectivă pentru combinarea învățării profunde și a învățării în ansamblu și are o referință teoretică importantă și o valoare practică pentru extracția LULC de înaltă calitate pentru a sprijini la scară largă și cercetări geoștiințe în serie lungă.