کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6348973 1621831 2014 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Using multiple Landsat scenes in an ensemble classifier reduces classification error in a stable nearshore environment
ترجمه فارسی عنوان
استفاده از صحنه های مختلف لندست در یک طبقه بندی گروهی، خطای طبقه بندی را در یک محیط ساحلی پایدار کاهش می دهد
کلمات کلیدی
سنجش از دور، طبقه بندی، لندست، دسته بندی گروهی، جنگل تصادفی در نزدیکی،
ترجمه چکیده
نقشه های زمین پوشش متوسط ​​به طور سنتی بر اساس یک منظره ماهواره ای بدون ابر ساخته می شوند و اطلاعات موجود در صحنه های دیگر استفاده نشده است. با استفاده از 1309 مشاهدات میدانی و 20 صحنه لندست تحت پوشش ابر و خطا که جزیره زنگبار را پوشش می دهد، این مطالعه نشان می دهد که استفاده از صحنه های چندگانه می تواند هر دو به طور کامل پوشش ناحیه مطالعه را در صورت عدم صحنه های ابر آزاد و به دست آوردن دقت طبقه بندی به طور قابل توجهی بهبود یافته . پردازش اتوماتیک صحنه های فردی مستلزم مشتق شدن از ویژگی های طیفی برای استفاده در طبقه بندی، شناسایی ابرها، سایه ها و مرز زمین / آب و طبقه بندی طبقاتی مبتنی بر جنگل های تصادفی است. سپس یک طبقه بندی گروهی از طبقه بندی تک صحنه با رای گیری ایجاد می شود. دقت به دست آمده توسط طبقه بندی گروهی 70.4٪ است، در مقایسه با میانگین 62.9٪ برای صحنه های فردی، و طبقه بندی گروه از پوشش کامل منطقه مطالعه می کند، در حالی که حداکثر پوشش یک صحنه تنها 1209 از 1309 محل فیلد است. با توجه به دسترسی آزاد داده های لندست، این نتایج باید باعث افزایش استفاده از صحنه های متعدد در طبقه بندی پوشش زمین و کاهش وابستگی به روش سنتی تک صحنه شود.
موضوعات مرتبط
مهندسی و علوم پایه علوم زمین و سیارات کامپیوتر در علوم زمین
پیش نمایش مقاله
استفاده از صحنه های مختلف لندست در یک طبقه بندی گروهی، خطای طبقه بندی را در یک محیط ساحلی پایدار کاهش می دهد
چکیده انگلیسی
Medium-scale land cover maps are traditionally created on the basis of a single cloud-free satellite scene, leaving information present in other scenes unused. Using 1309 field observations and 20 cloud- and error-affected Landsat scenes covering Zanzibar Island, this study demonstrates that the use of multiple scenes can both allow complete coverage of the study area in the absence of cloud-free scenes and obtain substantially improved classification accuracy. Automated processing of individual scenes includes derivation of spectral features for use in classification, identification of clouds, shadows and the land/water boundary, and random forest-based land cover classification. An ensemble classifier is then created from the single-scene classifications by voting. The accuracy achieved by the ensemble classifier is 70.4%, compared to an average of 62.9% for the individual scenes, and the ensemble classifier achieves complete coverage of the study area while the maximum coverage for a single scene is 1209 of the 1309 field sites. Given the free availability of Landsat data, these results should encourage increased use of multiple scenes in land cover classification and reduced reliance on the traditional single-scene methodology.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: International Journal of Applied Earth Observation and Geoinformation - Volume 28, May 2014, Pages 90-101
نویسندگان
, , , , , , ,