Clasificación de Imágenes y Mapeo de Cobertura del Suelo Usando Imágenes de Sentinel-2: Optimización de Parámetros SVM
Autores: Yousefi, Saleh; Mirzaee, Somayeh; Almohamad, Hussein; Al Dughairi, Ahmed Abdullah; Gomez, Christopher; Siamian, Narges; Alrasheedi, Mona; Abdo, Hazem Ghassan
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Clasificación de Imágenes y Mapeo de Cobertura del Suelo Usando Imágenes de Sentinel-2: Optimización de Parámetros SVM
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Uso/cobertura del suelo
Clasificación
Algoritmo SVM
Parámetros
Parámetro de penalización
Precisión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La clasificación de uso/cobertura del suelo (LU/LC) proporciona indicadores de los procesos naturales y sociales relacionados con el desarrollo urbano, ofreciendo a las partes interesadas información crucial. Las imágenes obtenidas por teledetección combinadas con la clasificación supervisada son comunes para definir el uso del suelo, pero los clasificadores de alto rendimiento siguen siendo difíciles de lograr, debido a la presencia de hiperparámetros del modelo. Los enfoques convencionales dependen del ajuste manual, lo cual consume tiempo y a menudo resulta insatisfactorio. Por lo tanto, el objetivo de este estudio ha sido optimizar los parámetros del algoritmo de máquina de vectores de soporte (SVM) para la generación de mapas de uso/cobertura del suelo a partir de imágenes satelitales Sentinel-2 en regiones climáticas seleccionadas húmedas y áridas (tres sitios de estudio cada una) de Irán. Para la clasificación supervisada SVM, optimizamos dos parámetros importantes (gamma en la función del núcleo y parámetro de penalización) de la clasificación LU/LC. Utilizando la función de base radial (RBF) del método de clasificación SVM, examinamos siete valores para ambos parámetros que oscilan entre 0.001 y 1000. Para ambos tipos de clima, los parámetros de penalización (PP) mostraron una relación directa con la precisión general (OA). Los resultados estadísticos confirmaron que en las regiones de estudio húmedas, los mapas LU/LC producidos con un parámetro de penalización >100 eran más precisos. Sin embargo, para las regiones con climas áridos, los mapas LU/LC con un parámetro de penalización >0.1 eran más precisos. La precisión del mapeo para ambos tipos de clima fue sensible al parámetro de penalización. En contraste, las variaciones de los valores gamma en la función del núcleo no tuvieron efecto en la precisión de los mapas LU/LC en ninguna de las zonas climáticas. Estos nuevos hallazgos sobre la clasificación de imágenes SVM son directamente aplicables a LU/LC para la planificación y la gestión ambiental y de recursos naturales.
Descripción
La clasificación de uso/cobertura del suelo (LU/LC) proporciona indicadores de los procesos naturales y sociales relacionados con el desarrollo urbano, ofreciendo a las partes interesadas información crucial. Las imágenes obtenidas por teledetección combinadas con la clasificación supervisada son comunes para definir el uso del suelo, pero los clasificadores de alto rendimiento siguen siendo difíciles de lograr, debido a la presencia de hiperparámetros del modelo. Los enfoques convencionales dependen del ajuste manual, lo cual consume tiempo y a menudo resulta insatisfactorio. Por lo tanto, el objetivo de este estudio ha sido optimizar los parámetros del algoritmo de máquina de vectores de soporte (SVM) para la generación de mapas de uso/cobertura del suelo a partir de imágenes satelitales Sentinel-2 en regiones climáticas seleccionadas húmedas y áridas (tres sitios de estudio cada una) de Irán. Para la clasificación supervisada SVM, optimizamos dos parámetros importantes (gamma en la función del núcleo y parámetro de penalización) de la clasificación LU/LC. Utilizando la función de base radial (RBF) del método de clasificación SVM, examinamos siete valores para ambos parámetros que oscilan entre 0.001 y 1000. Para ambos tipos de clima, los parámetros de penalización (PP) mostraron una relación directa con la precisión general (OA). Los resultados estadísticos confirmaron que en las regiones de estudio húmedas, los mapas LU/LC producidos con un parámetro de penalización >100 eran más precisos. Sin embargo, para las regiones con climas áridos, los mapas LU/LC con un parámetro de penalización >0.1 eran más precisos. La precisión del mapeo para ambos tipos de clima fue sensible al parámetro de penalización. En contraste, las variaciones de los valores gamma en la función del núcleo no tuvieron efecto en la precisión de los mapas LU/LC en ninguna de las zonas climáticas. Estos nuevos hallazgos sobre la clasificación de imágenes SVM son directamente aplicables a LU/LC para la planificación y la gestión ambiental y de recursos naturales.