Mejorando la Clasificación de Uso/Cobertura del Suelo Basada en Objetos a Partir de Imágenes de Resolución Media mediante Post-Clasificación Geostatística de Cadenas de Markov
Autores: Wang, Wenjie; Li, Weidong; Zhang, Chuanrong; Zhang, Weixing
Idioma: Inglés
Editor: MDPI
Año: 2018
Acceso abierto
Artículo científico
2018
Mejorando la Clasificación de Uso/Cobertura del Suelo Basada en Objetos a Partir de Imágenes de Resolución Media mediante Post-Clasificación Geostatística de Cadenas de Markov
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Clasificación de uso del suelo
Cobertura
Basada en objetos
Campo aleatorio de Markov
Método de post-clasificación
Mejorada por similitud espectral
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Los mapas de uso del suelo/cobertura del suelo derivados de imágenes de teledetección a menudo son insuficientes en calidad para algunos propósitos de aplicación cuantitativa debido a una variedad de razones, como la confusión espectral. Aunque la clasificación basada en objetos tiene algunas ventajas sobre la clasificación basada en píxeles para identificar áreas de uso/cobertura del suelo relativamente homogéneas a partir de imágenes de teledetección de resolución media, la precisión de la clasificación suele ser aún relativamente baja. En este estudio, nuestro objetivo fue probar si el método de post-clasificación recientemente propuesto de campo aleatorio de cadena de Markov (MCRF), es decir, el modelo de co-simulación MCRF mejorado por similitud espectral (SS-coMCRF), puede mejorar efectivamente las clasificaciones de uso/cobertura del suelo basadas en objetos en diferentes paisajes. Se eligieron cuatro áreas de estudio (Cixi, Yinchuan y Maanshan en China y Hartford en EE. UU.) con diferentes paisajes y esquemas de clasificación para estudios de caso. Se obtuvieron datos de muestra interpretados por expertos (0.087% a 0.258% del total de píxeles) para cada área de estudio a partir de las imágenes originales de Landsat utilizadas en la pre-clasificación basada en objetos y otras fuentes (por ejemplo, imágenes satelitales de Google). Los resultados de la post-clasificación mostraron que las precisiones generales de clasificación de los cuatro casos mejoraron notablemente respecto a los resultados de la pre-clasificación correspondiente en un 14.1% para Cixi, 5% para Yinchuan, 11.8% para Maanshan y 5.6% para Hartford, respectivamente. Al mismo tiempo, SS-coMCRF también redujo el ruido y los parches menores contenidos en las pre-clasificaciones. Esto significa que el método de post-clasificación geostatístico de cadena de Markov es capaz de mejorar la precisión y calidad de la clasificación de uso/cobertura del suelo basada en objetos a partir de imágenes de teledetección de resolución media en diversas situaciones de paisaje.
Descripción
Los mapas de uso del suelo/cobertura del suelo derivados de imágenes de teledetección a menudo son insuficientes en calidad para algunos propósitos de aplicación cuantitativa debido a una variedad de razones, como la confusión espectral. Aunque la clasificación basada en objetos tiene algunas ventajas sobre la clasificación basada en píxeles para identificar áreas de uso/cobertura del suelo relativamente homogéneas a partir de imágenes de teledetección de resolución media, la precisión de la clasificación suele ser aún relativamente baja. En este estudio, nuestro objetivo fue probar si el método de post-clasificación recientemente propuesto de campo aleatorio de cadena de Markov (MCRF), es decir, el modelo de co-simulación MCRF mejorado por similitud espectral (SS-coMCRF), puede mejorar efectivamente las clasificaciones de uso/cobertura del suelo basadas en objetos en diferentes paisajes. Se eligieron cuatro áreas de estudio (Cixi, Yinchuan y Maanshan en China y Hartford en EE. UU.) con diferentes paisajes y esquemas de clasificación para estudios de caso. Se obtuvieron datos de muestra interpretados por expertos (0.087% a 0.258% del total de píxeles) para cada área de estudio a partir de las imágenes originales de Landsat utilizadas en la pre-clasificación basada en objetos y otras fuentes (por ejemplo, imágenes satelitales de Google). Los resultados de la post-clasificación mostraron que las precisiones generales de clasificación de los cuatro casos mejoraron notablemente respecto a los resultados de la pre-clasificación correspondiente en un 14.1% para Cixi, 5% para Yinchuan, 11.8% para Maanshan y 5.6% para Hartford, respectivamente. Al mismo tiempo, SS-coMCRF también redujo el ruido y los parches menores contenidos en las pre-clasificaciones. Esto significa que el método de post-clasificación geostatístico de cadena de Markov es capaz de mejorar la precisión y calidad de la clasificación de uso/cobertura del suelo basada en objetos a partir de imágenes de teledetección de resolución media en diversas situaciones de paisaje.