Answers are grounded in this paper and cite their sources.
RÉSUMÉIl est démontré depuis peu que le raisonnement d'évidences et les approches par réseau de neurones ont beaucoup de potentiel pour l'analyse d'images multisources et la classification de la couverture du sol. Dans cet article, le raisonnement d'évidences et les classificateurs de réseau de neurones sont comparés dans une classification multisource de la végétation de toundra alpine dans la région de Niwot Ridge, dans les Colorado Rocky Mountains. La performance des deux classificateurs a été évaluée relativement à l'approche conventionnelle par maximum de vraisemblance. Dans la toundra alpine, le développement d'une communauté donnée est corrélé avec le couvert nival et les conditions d'humidité qui, dans le cas de Niwot Ridge, sont associés à la topographie et plus particulièrement, à la direction des vents dominants. Les classifications réalisées utilisant l'ensemble de données multisources (30-m) ont montré que les meilleurs résultats sont obtenus avec un classificateur de raisonnement d'évidences (79%), suivi des classificateurs de réseau de neurones (71%) et du maximum de vraisemblance (69%). Des expériences réalisées avec les réseaux de neurones ont démontré la difficulté d'en arriver à une architecture optimale de réseau pour atteindre des niveaux élevés de précision. En particulier, la performance du réseau de neurone s'avère variable, dépendant du nombre de couches cachées, du nombre de noeuds cachés dans chaque couche cachée et du nombre d'itérations d'apprentissage utilisées, alors que le classificateur de raisonnement d'évidences requiert peu d'intervention de l'utilisateur et est insensible aux caractéristiques des paramètres par rapport aux intrants du réseau de neurones. Le classificateur de raisonnement d'évidences permet aussi une vitesse de calcul significativement plus élevée comparativement au réseau de neurone, à partir de quoi nous avons conclu que la vitesse et la précision du raisonnement d'évidences seraient bien adaptées aux ensembles de données plus vastes et pour les études à l'échelle régionale. Les planches d'erreurs produites dans le cadre de cette recherche ont permis d'examiner la distribution spatiale des pixels classifiés erronément. Les patterns spatiaux identifiés sur ces planches suggèrent que certaines des variables environnementales clés qui contrôlent la distribution de la végétation sur Niwot Ridge seraient mieux caractérisées par l'utilisation de données à plus haute résolution (5–15 m) et en incorporant des variables supplémentaires telles que la géologie de surface et la durée du couvert nival.
No takes yet. Share an insight, caveat, or question.
Duguay et al. (1996) studied this question.
Synapse has enriched 10 related papers. Consider them for comparative context: