Архив
Том 20, 2023
Том 19, 2022
Том 18, 2021
Том 17, 2020
Том 16, 2019 г.
Том 15, 2018 г.
Том 14, 2017 г.
Том 13, 2016 г.
Том 12, 2015 г.
Том 11, 2014 г.
Том 10, 2013 г.
Том 9, 2012 г.
Том 8, 2011 г.
Том 7, 2010 г.
Выпуск 6, 2009 г.
Выпуск 5, 2008 г.
Выпуск 4, 2007 г.
Выпуск 3, 2006 г.
Выпуск 2, 2005 г.
Выпуск 1, 2004 г.
Поиск
Найти:
Подписка/отписка
на рассылку новостей
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.