Caracterización de Tipos Fisiognómicos de Vegetación Usando Datos de Reflectancia Bidireccional
Autores: Sharma, Ram C.; Hara, Keitarou
Idioma: Inglés
Editor: MDPI
Año: 2018
Acceso abierto
Artículo científico
2018
Caracterización de Tipos Fisiognómicos de Vegetación Usando Datos de Reflectancia Bidireccional
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Ciencias de la Tierra y Geología
Palabras clave
Evaluación
Reflectancia bidireccional
Clasificación
Tipos fisiognómicos
Vegetación
Clasificadores
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 19
Citaciones: Sin citaciones
Este documento presenta una evaluación de las características de reflectancia bidireccional para la clasificación y caracterización de tipos fisiognómicos de vegetación a escala nacional. Los datos de reflectancia bidireccional en múltiples geometrías de iluminación y visualización se generaron simulando los parámetros del modelo de Función de Distribución de Reflectancia Bidireccional (BRDF) del Espectrorradiómetro de Imágenes de Resolución Moderada (MODIS) con pesos de núcleo de Ross-Thick Li-Sparse-Reciprocal (RT-LSR). Esta investigación se ocupó de la clasificación y caracterización de seis tipos fisiognómicos de vegetación: bosque de coníferas perennes, bosque de hojas anchas perennes, bosque de coníferas caducifolias, bosque de hojas anchas caducifolias, arbustos y herbáceas, que se distribuyen por todo el país. Se utilizó un enfoque de clasificación supervisada empleando cuatro clasificadores de aprendizaje automático: k-Vecinos más cercanos (KNN), Bosques Aleatorios (RF), Máquinas de Vectores de Soporte (SVM) y Redes Neuronales Perceptrón Multicapa (NN), con el apoyo de datos de verdad de terreno. La matriz de confusión, la precisión general y el coeficiente kappa se calcularon a través de un enfoque de validación cruzada de 10 pliegues, y también se utilizaron como métricas para la evaluación cuantitativa. Entre los clasificadores probados, las métricas de precisión no variaron mucho con los clasificadores; sin embargo, los clasificadores de Bosques Aleatorios (RF; Precisión general = 0.76, Coeficiente kappa = 0.72) y Máquinas de Vectores de Soporte (SVM; Precisión general = 0.76, Coeficiente kappa = 0.71) tuvieron un rendimiento ligeramente mejor que otros clasificadores. Los espectros de reflectancia bidireccional no solo variaron con los tipos fisiognómicos de vegetación, sino que también mostraron una diferencia pronunciada entre las direcciones de dispersión hacia atrás y hacia adelante. Así, los datos de reflectancia bidireccional proporcionan características adicionales para mejorar la clasificación y caracterización de tipos fisiognómicos de vegetación a gran escala.
Descripción
Este documento presenta una evaluación de las características de reflectancia bidireccional para la clasificación y caracterización de tipos fisiognómicos de vegetación a escala nacional. Los datos de reflectancia bidireccional en múltiples geometrías de iluminación y visualización se generaron simulando los parámetros del modelo de Función de Distribución de Reflectancia Bidireccional (BRDF) del Espectrorradiómetro de Imágenes de Resolución Moderada (MODIS) con pesos de núcleo de Ross-Thick Li-Sparse-Reciprocal (RT-LSR). Esta investigación se ocupó de la clasificación y caracterización de seis tipos fisiognómicos de vegetación: bosque de coníferas perennes, bosque de hojas anchas perennes, bosque de coníferas caducifolias, bosque de hojas anchas caducifolias, arbustos y herbáceas, que se distribuyen por todo el país. Se utilizó un enfoque de clasificación supervisada empleando cuatro clasificadores de aprendizaje automático: k-Vecinos más cercanos (KNN), Bosques Aleatorios (RF), Máquinas de Vectores de Soporte (SVM) y Redes Neuronales Perceptrón Multicapa (NN), con el apoyo de datos de verdad de terreno. La matriz de confusión, la precisión general y el coeficiente kappa se calcularon a través de un enfoque de validación cruzada de 10 pliegues, y también se utilizaron como métricas para la evaluación cuantitativa. Entre los clasificadores probados, las métricas de precisión no variaron mucho con los clasificadores; sin embargo, los clasificadores de Bosques Aleatorios (RF; Precisión general = 0.76, Coeficiente kappa = 0.72) y Máquinas de Vectores de Soporte (SVM; Precisión general = 0.76, Coeficiente kappa = 0.71) tuvieron un rendimiento ligeramente mejor que otros clasificadores. Los espectros de reflectancia bidireccional no solo variaron con los tipos fisiognómicos de vegetación, sino que también mostraron una diferencia pronunciada entre las direcciones de dispersión hacia atrás y hacia adelante. Así, los datos de reflectancia bidireccional proporcionan características adicionales para mejorar la clasificación y caracterización de tipos fisiognómicos de vegetación a gran escala.