Vergleich von Klassifikationsalgorithmen und Trainingsstichprobengrößen in der städtischen Bodenklassifikation mit Landsat Thematic Mapper-Bildern

Obwohl eine große Anzahl neuer Bildklassifikationsalgorithmen entwickelt wurde, werden sie selten mit derselben Klassifikationsaufgabe getestet. In dieser Forschung haben wir mit demselben Landsat Thematic Mapper (TM)-Datensatz und demselben Klassifikationsschema über Guangzhou City, China, zwei unüberwachte und 13 überwachte Klassifikationsalgorithmen getestet, einschließlich einer Reihe von Maschinenlernalgorithmen, die in den letzten 20 Jahren in der Fernerkundung populär wurden. Unsere Analyse konzentrierte sich hauptsächlich auf die spektralen Informationen, die von den TM-Daten bereitgestellt werden. Wir haben alle Algorithmen in einem Pixel-für-Pixel-Klassifikationsentscheidungsexperiment und alle überwachten Algorithmen in einem segmentbasierten Experiment bewertet. Wir fanden heraus, dass die meisten Algorithmen, wenn ausreichend repräsentative Trainingsproben verwendet wurden, vernünftig gut abschnitten. Ein Mangel an Trainingsproben führte zu größeren Diskrepanzen in der Klassifikationsgenauigkeit als die Klassifikationsalgorithmen selbst. Einige Algorithmen waren toleranter gegenüber unzureichenden (weniger repräsentativen) Trainingsproben als andere. Viele Algorithmen verbesserten die Gesamgenauigkeit marginal mit segmentbasierter Entscheidungsfindung.