[论文解读] Land-cover Classification and Mapping for Eastern Himalayan State Sikkim

Ratika Pradhan, Mohan P. Pradhan+3 more|arXiv (Cornell University)|Mar 22, 2010

Remote-Sensing Image Classification参考文献 8被引用 5

一句话总结

本文提出了一种改进的k-means聚类算法，结合人工神经网络（ANN）分类器，用于印度锡金地区的土地覆盖制图。该混合方法在准确度上优于k-最近邻和最大似然分类等传统方法，证明了在复杂喜马拉雅地形中利用卫星影像进行自学习与快速识别的有效性。

ABSTRACT

Area of classifying satellite imagery has become a challenging task in current era where there is tremendous growth in settlement i.e. construction of buildings, roads, bridges, dam etc. This paper suggests an improvised k-means and Artificial Neural Network (ANN) classifier for land-cover mapping of Eastern Himalayan state Sikkim. The improvised k-means algorithm shows satisfactory results compared to existing methods that includes k-Nearest Neighbor and maximum likelihood classifier. The strength of the Artificial Neural Network (ANN) classifier lies in the fact that they are fast and have good recognition rate and it's capability of self-learning compared to other classification algorithms has made it widely accepted. Classifier based on ANN shows satisfactory and accurate result in comparison with the classical method.

研究动机与目标

• 为解决印度锡金地区生态敏感且地形复杂的东喜马拉雅地区准确土地覆盖分类的挑战。
• 提升受快速城市化与基础设施发展影响的卫星影像中的分类准确度。
• 评估改进的k-means算法与人工神经网络（ANN）分类器相较于传统方法的性能表现。
• 为山地、数据受限区域提供一种可靠且可扩展的土地覆盖制图解决方案。

提出的方法

• 应用改进的k-means聚类算法，基于光谱特性对卫星影像进行分割，并通过迭代优化以改进聚类中心。
• 将k-means分类器的输出作为前馈人工神经网络（ANN）的输入，用于最终分类。
• 利用反向传播算法训练ANN，以最小化分类误差，充分发挥其自学习与模式识别能力。
• 通过标准准确度指标，将所提方法与k-最近邻（k-NN）和最大似然分类器进行对比。
• 分类过程整合多光谱卫星数据，并进行预处理以确保一致性并减少噪声。
• 利用实地验证数据和总体准确度、生产者准确度及用户准确度指标进行性能评估。

实验结果

研究问题

• RQ1 与k-最近邻和最大似然分类器相比，改进的k-means算法在锡金复杂地形中的土地覆盖分类表现如何？
• RQ2 在东喜马拉雅地区卫星影像中，集成人工神经网络在多大程度上提升了分类准确度？
• RQ3 人工神经网络的自学习与快速处理能力是否在复杂环境条件下为土地覆盖制图带来显著优势？
• RQ4 所提出的混合k-means与ANN方法相较于经典分类技术的相对准确度如何？

主要发现

• 改进的k-means算法表现出令人满意的结果，在锡金的土地覆盖分类中优于k-最近邻和最大似然分类器。
• 人工神经网络（ANN）分类器由于具备自学习与识别能力，实现了更高的准确度和更快的处理速度。
• 混合k-means与ANN方法在研究区域中生成了比经典方法更准确、更可靠的土地覆盖地图。
• 本研究证实，基于ANN的分类方法非常适合用于东喜马拉雅地区等复杂且快速变化的景观。
• 所提方法有效处理了山区常见的光谱变异性和地形效应。