Bagging e Boosting de Classificadores Conjuntos para Classificação de Dados Multiespectrais, Hiperespectrais e PolSAR: Uma Avaliação Comparativa

Nos últimos anos, vários algoritmos poderosos de aprendizado de máquina (ML) foram desenvolvidos para classificação de imagens, especialmente aqueles baseados em aprendizado conjunto (EL). Em particular, os métodos de Extreme Gradient Boosting (XGBoost) e Light Gradient Boosting Machine (LightGBM) chamaram a atenção dos pesquisadores em ciência de dados devido aos seus resultados superiores em comparação com outros algoritmos de ML comumente utilizados. Apesar de sua popularidade dentro da comunidade de ciência da computação, ainda não foram bem examinados em detalhes no campo da Observação da Terra (EO) para classificação de imagens de satélite. Assim, este estudo investiga a capacidade de diferentes algoritmos EL, geralmente conhecidos como algoritmos de bagging e boosting, incluindo Adaptive Boosting (AdaBoost), Gradient Boosting Machine (GBM), XGBoost, LightGBM e Random Forest (RF), para a classificação de dados de Sensoriamento Remoto (RS). Em particular, diferentes cenários de classificação foram projetados para comparar o desempenho desses algoritmos em três tipos diferentes de dados de RS, a saber, dados multiespectrais de alta resolução, hiperespectrais e de Radar de Abertura Sintética Polarimétrica (PolSAR). Além disso, o classificador único de Árvore de Decisão (DT), como um classificador base, é considerado para avaliar a precisão da classificação. Os resultados experimentais demonstraram que os métodos RF e XGBoost para a imagem multiespectral, os métodos LightGBM e XGBoost para dados hiperespectrais, e os algoritmos XGBoost e RF para dados PolSAR produziram precisões de classificação mais altas em comparação com outras técnicas de ML. Isso demonstra a grande capacidade do método XGBoost para a classificação de diferentes tipos de dados de RS.