ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. №4. С. 29-36

Сравнение методов объектно-ориентированной и нейросетевой классификации данных дистанционного зондирования Земли на основе материалов систем Landsat-5 и Orbview-3

А.А. Романов , К.А. Рубанов 
Сибирский федеральный университет, 660041, Красноярск, пр. Свободный, 79
Представлены результаты сравнительного анализа точности методов классификации данных дистанционного
зондирования Земли, основанных на объектно-ориентированных и нейросетевых подходах. Сравнение прово-
дилась по данным среднего и высокого пространственного разрешения (Landsat-5 и Orbview-3), характеризую-
щим одну и ту же территорию подстилающей поверхности. Показано, что нейросетевой алгоритм значитель-
но превзошел показатели точности алгоритма объектно-ориентированного (ООП) в случае обработки данных
Landsat (92 % против 74 %), и несущественно (всего на 2 %) превзошел результаты ООП для данных Orbview.
Ключевые слова: дистанционное зондирование, управляемая классификация, нейронные сети, статистические алгоритмы, объектно-ориентированный подход, Landsat, Orbview
Полный текст

Список литературы:

  1. Azimi-Sadjadi M.R., Ghaloum S., Zoughi R. Terrain classification in SAR images using principal components analysis and neural networks // IEEE Trans. Geoscience and Remote Sensing. 1993. V. 31. P. 511-515.
  2. Benediktsson J.A., Swain P.H., Ersoy O.K. Neural network approaches versus statistical methods in classification of multisource remote sensing data // IEEE Trans. Geoscience and Remote Sensing. 1990. V. 28. N. 4. P. 540-552.
  3. Bischof H., Schneider W., Pinz A.J. Multispectral classification of Landsat images using neural networks // IEEE Trans. Geoscience and Remote Sensing. 1992. V. 30. P. 482-490.
  4. De Kok R., Schneider T., Ammer U. Object-based classification and applications in the alpine forest environment // Intern. Archives of Photogrammetry and Remote Sensing. Valladolid. Spain. 1999. V. 32.
  5. Decatur S.E. Applications of neural networks to terrain classification // Proc. Intern. Joint Conf. Neural Networks. Washington DC, USA. 1989. P. 283-288.
  6. Kamagata N., Hara K., Mori M., Akamatsu Y., Li Y., Hoshino Y. A new method of vegetation mapping by object-based classification using high resolution satellite data // Proc. 1st Intern. Conf. Object-Based Image Analysis. 2006. V. 36-4/C42.
  7. Keramitsoglou I., Sarimveis H., Kiranoudis C.T., Sifakis N. Radial basis function neural networks classification using very high spatial resolution satellite imagery: an application to the habitat area of Lake Kerkini (Greece) // Intern. J. Remote Sensing. 2005. V. 26. N. 9. P. 1861-1880.
  8. Kettig R.L., Landgrebe D.A. Classification of multispectral image data by extraction and classification of homogeneous objects // IEEE Trans. Geoscience Electronics. 1976. V. GE-14, N. 1. P. 19-26.
  9. Lee J., Weger R.C., Sengupta S.K., Welch R.M. A neural network approach to cloud classification // IEEE Trans. Geoscience and Remote Sensing. 1990. V. 28. P. 846-855.
  10. Marghany M., Hashim M. Comparison between Mahalanobis classification and neural network for oil spill detection using RADARSAT-1 SAR data // Intern. J. Physical Sciences. 2011. V. 6. N. 3. P. 566-576.
  11. Qian J., Zhou Q.M., Hou Q. Comparison of pixel-based and object-oriented classification methods for extracting built-up areas in aridzone // ISPRS Workshop on Updating Geo-spatial Databases with Imagery and The 5th ISPRS Workshop on DMGISs. 2007. P. 163-171.
  12. Raghu P.P., Yegnanarayana B. Multispectral image classification using Gabor filters and stochastic relaxation neural network // Neural Networks. 1997. V. 10. P. 561-572.
  13. Shafri H.Z.M., Suhaili A., Mansor S. The performance of Maximum Likelihood, Spectral Angle Mapper, Neural Network and Decision Tree classifiers in hyperspectral image analysis // J. Computer Science. 2007. V. 3. N. 6. P. 419-423.
  14. Xiaoxia S., Jixian Z., Zhengjun L. A comparison of object-oriented and pixel-based classification approachs using Quickbird imagery // Intern. Symp. Spatio-Temporal Modelling, Spatial Reasoning, Analysis, Data Mining and Data Fusion. Beijing, China. 2005.