Land use/land cover classification of fused Sentinel-1 and Sentinel-2 imageries using ensembles of Random Forests

要約

この研究では、土地利用/土地被覆 (LULC) 分類のための合成開口レーダー (SAR) と可視-近赤外-短波赤外 (VNIR-SWIR) 画像の相乗的な組み合わせを検討しています。
ベイジアン フュージョンを使用した画像フュージョンは、SAR テクスチャ バンドを VNIR-SWIR 画像とマージします。
この研究は、LULC 分類に対するこの融合の影響を調査することを目的としています。
教師付き分類ではランダム フォレストが人気があるにもかかわらず、特徴が少なく、最適ではないパフォーマンスや精度の停滞など、ランダム フォレストの限界が解決されています。
これらの問題を克服するために、ランダム フォレストのアンサンブル (RFE) が作成され、Forest-RC アルゴリズムを使用してランダムな回転が導入されます。
3 つの回転アプローチ、主成分分析 (PCA)、スパース ランダム回転 (SRP) 行列、および完全ランダム回転 (CRP) 行列が使用されます。
IIT-カンプール地域の Sentinel-1 SAR データと Sentinel-2 VNIR-SWIR データは、SAR、テクスチャ付き SAR、VNIR-SWIR、テクスチャ付き VNIR-SWIR、およびテクスチャ付き融合 VNIR-SWIR を含むトレーニング データセットを構成します。
この研究では、分類器の有効性を評価し、分類に対する SAR および VNIR-SWIR 融合の影響を調査し、ベイジアン融合コードの実行速度を大幅に向上させます。
SRP ベースの RFE は、最初の 2 つのデータセットでは他のアンサンブルよりも優れており、平均全体カッパ値 61.80% および 68.18% をもたらしました。一方、CRP ベースの RFE は、最後の 3 つのデータセットで優れており、全体の平均カッパ値は 95.99%、96.93%、
そして96.30%。
4 番目のデータセットは、96.93% という最高の全体カッパを達成します。
さらに、SAR バンドにテクスチャを組み込むと、全体のカッパの最大増加量は 10.00% になりますが、VNIR-SWIR バンドにテクスチャを追加すると、最大増加量は約 3.45% になります。

要約(オリジナル)

The study explores the synergistic combination of Synthetic Aperture Radar (SAR) and Visible-Near Infrared-Short Wave Infrared (VNIR-SWIR) imageries for land use/land cover (LULC) classification. Image fusion, employing Bayesian fusion, merges SAR texture bands with VNIR-SWIR imageries. The research aims to investigate the impact of this fusion on LULC classification. Despite the popularity of random forests for supervised classification, their limitations, such as suboptimal performance with fewer features and accuracy stagnation, are addressed. To overcome these issues, ensembles of random forests (RFE) are created, introducing random rotations using the Forest-RC algorithm. Three rotation approaches: principal component analysis (PCA), sparse random rotation (SRP) matrix, and complete random rotation (CRP) matrix are employed. Sentinel-1 SAR data and Sentinel-2 VNIR-SWIR data from the IIT-Kanpur region constitute the training datasets, including SAR, SAR with texture, VNIR-SWIR, VNIR-SWIR with texture, and fused VNIR-SWIR with texture. The study evaluates classifier efficacy, explores the impact of SAR and VNIR-SWIR fusion on classification, and significantly enhances the execution speed of Bayesian fusion code. The SRP-based RFE outperforms other ensembles for the first two datasets, yielding average overall kappa values of 61.80% and 68.18%, while the CRP-based RFE excels for the last three datasets with average overall kappa values of 95.99%, 96.93%, and 96.30%. The fourth dataset achieves the highest overall kappa of 96.93%. Furthermore, incorporating texture with SAR bands results in a maximum overall kappa increment of 10.00%, while adding texture to VNIR-SWIR bands yields a maximum increment of approximately 3.45%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google