Eine Vergleichsstudie verschiedener Kernel-Funktionen zur SVM-basierten Klassifikation von multi-temporalen Polarimetrie-SAR-Daten

Zusammenfassung. In dieser Arbeit wird ein Rahmenwerk basierend auf Support Vector Machines (SVM) zur Klassifikation von Pflanzen anhand polarimetrischer Merkmale, die aus multi-temporalen synthetischen Apertur-Radar (SAR) Bildern extrahiert werden, entwickelt. Die multi-temporale Integration von Daten verbessert nicht nur die Gesamtrückgewinnungsgenauigkeit, sondern liefert auch verlässlichere Schätzungen im Vergleich zu Daten eines einzelnen Datums. In dieser Studie werden mehrere Kernel-Funktionen zur Abbildung des Eingaberaums in höheren Hilbert-Dimensionsraum verwendet und verglichen. Diese Kernel-Funktionen umfassen lineare, polynomial und Radial Basis Function (RBF). Die Methode wird auf mehrere UAVSAR L-Band SAR-Bilder angewendet, die über einem landwirtschaftlichen Gebiet in der Nähe von Winnipeg, Manitoba, Kanada, aufgenommen wurden. In dieser Forschung werden die temporalen Alpha-Merkmale der H/A/α-Zerlegungsmethode in der Klassifikation verwendet. Die experimentellen Tests zeigen, dass ein SVM-Klassifikator mit RBF-Kernel für drei Datenpunkte die Gesamtkorrektheit (OA) im Vergleich zur Verwendung einer linearen Kernel-Funktion um bis zu 3 % und im Vergleich zu einer Polynomialkernel-Funktion 3. Grades um bis zu 1 % erhöht.