훈련 샘플 분배를 통한 토지 피복 맵핑 정확도 향상

정확한 토지 피복 분류를 위해서는 고품질 훈련 샘플이 필수적입니다. 많은 수의 훈련 샘플을 수집하는 데 어려움이 있어 한정된 샘플 크기지만 효과적인 샘플 분포를 가진 고품질 샘플 데이터셋 수집이 매우 중요합니다. 본 논문에서는 체계적으로 분배된 시드를 확장하여 이미지 블록을 세분화하는 객체 지향 샘플링 접근 방식을 제안하고, 훈련 샘플 분포가 샘플 수가 제한된 경우 토지 피복 분류 정확도에 미치는 영향을 탐구하기 위해 무작위 샘플링, 체계적 샘플링, 계층 샘플링(분류 제품 기반의 토지 피복 클래스 계층을 가진 계층 샘플링, 라틴 하이퍼 큐브 샘플링 및 공간 라틴 하이퍼 큐브 샘플링), 객체 지향 샘플링 및 수동 샘플링을 포함한 일곱 가지 샘플링 전략을 철저히 비교했습니다. 중국-몽골 국경을 따라 서로 다른 기후 지역에서 다섯 개의 연구 지역을 선택했습니다. 우리의 연구에서는 훈련 샘플 수집에서 제안된 객체 지향 샘플링 접근 방식을 첫 번째 선택 샘플링 전략으로 확인했습니다. 이 접근 방식은 훈련 샘플 세트의 다양성과 완전성을 향상시켰습니다. 서로 다른 속성의 조합으로 정의된 계층을 가진 계층 샘플링과 토지 피복 클래스의 계층을 가진 계층 샘플링은 한계가 있었고, 우리는 충분한 사전 지식이나 높은 정확도의 제품이 있을 때 특정 상황에서 좋은 성과를 보였습니다. 수동 샘플링은 해석자의 경험에 크게 영향을 받았습니다. 위에서 언급한 모든 샘플링 전략은 이 연구에서 무작위 샘플링 및 체계적 샘플링보다 우수했습니다. 결과는 샘플 크기가 제한된 경우 훈련 데이터셋의 샘플링 전략이 토지 피복 분류 정확도에 큰 영향을 미친다는 것을 나타냅니다. 본 논문은 분류 정확도를 높이기 위한 효율적인 훈련 샘플 수집에 대한 지침을 제공할 것입니다.