Une nouvelle approche contribue à améliorer la précision de la classification des images de télédétection
L’utilisation des terres/couverture des terres (LULC) est un déterminant majeur de l’environnement écologique. L’utilisation de la technologie de télédétection pour surveiller dynamiquement les LULC et extraire quantitativement les informations sur les changements des LULC constitue une étude importante pour faire face au changement climatique mondial et maintenir l’équilibre énergétique du système Terre.
Il a été démontré que l’apprentissage profond est efficace pour extraire le LULC des images de télédétection. Ces dernières années, l’intégration de plusieurs modèles d’apprentissage profond est devenue une méthode efficace pour améliorer la précision de la classification des images de télédétection, mais ces méthodes d’intégration ignorent la corrélation interne entre les pixels, ce qui entraîne un coût élevé en temps de formation et une amélioration limitée de la précision.
Une équipe de recherche dirigée par le professeur Huang Chunlin de l’Institut nord-ouest de l’éco-environnement et des ressources de l’Académie chinoise des sciences a mené une étude sur la relation interne des pixels et son utilisation pour la classification des images de télédétection.
L’étude a été publiée dans Journal ISPRS de photogrammétrie et de télédétection.
Les chercheurs ont découvert que l’utilisation des informations d’association entre les pixels pour créer différents assemblages peut éliminer la dépendance à l’égard de plusieurs modèles dans le processus de classification intégrée.
Ils ont proposé un cadre de classification d’ensemble basé sur des doublets (DBECF), qui élimine le besoin de plusieurs classificateurs afin d’améliorer la précision de la classification des images de télédétection.
Le DBECF peut améliorer efficacement la précision de la classification de différents types d’images de télédétection et présente des avantages évidents en termes de précision et d’efficacité par rapport au modèle de classification intégré existant basé sur un seul pixel.
Par rapport à la classification traditionnelle basée sur une instance unique, DBECF peut obtenir divers résultats de classification grâce à différentes combinaisons d’instances, ce qui présente des conditions et des potentiels pour améliorer la précision et l’efficacité grâce à des stratégies d’ensemble.
En outre, DBECF surmonte les inconvénients chronophages du modèle de classification intégré actuel, offre une nouvelle perspective pour la combinaison de l’apprentissage profond et de l’apprentissage d’ensemble, et dispose d’une référence théorique importante et d’une valeur pratique pour extraire des LULC de haute qualité afin de prendre en charge des projets à grande échelle. et des recherches géoscientifiques sur de longues séries.
