Influence of training sampling protocol and of feature space optimization methods on supervised classification results | Influence du protocole d'apprentissage et des méthodes d'optimisation de l'espace des variables sur les résultats de classifications supervisées
2007
Durrieu, S. | Tormos, T. | Kosuth, Pascal | Golden, C. | Territoires, Environnement, Télédétection et Information Spatiale (UMR TETIS) ; Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-AgroParisTech-Centre national du machinisme agricole, du génie rural, des eaux et forêts (CEMAGREF) | Territoires, Environnement, Télédétection et Information Spatiale (UMR TETIS) ; Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-AgroParisTech-Institut national de recherche en sciences et technologies pour l'environnement et l'agriculture (IRSTEA)-Centre National de la Recherche Scientifique (CNRS) | Gestion de l'Eau, Acteurs, Usages (UMR G-EAU) ; Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-Centre international d'études supérieures en sciences agronomiques (Montpellier SupAgro)-AgroParisTech-Centre national du machinisme agricole, du génie rural, des eaux et forêts (CEMAGREF)-Institut de Recherche pour le Développement (IRD [France-Sud])-Centre International de Hautes Etudes Agronomiques Méditerranéennes - Institut Agronomique Méditerranéen de Montpellier (CIHEAM-IAMM) ; Centre International de Hautes Études Agronomiques Méditerranéennes (CIHEAM)-Centre International de Hautes Études Agronomiques Méditerranéennes (CIHEAM)
[Departement_IRSTEA]DS [TR1_IRSTEA]METHODO / SYNERGIE
显示更多 [+] 显示较少 [-]International audience
显示更多 [+] 显示较少 [-]英语. Land cover map are produced from remote sensing images using per-pixel or, more recently, object-based classifications. Various trainable classifiers and feature space optimization methods can be used to that aim. The choice of both training and control samples is liable to influence the results according to the classification method employed but little is known about the way of choosing an appropriate sampling set. This makes thus the focal point of our study. Using three sampling methods and four discriminative classifiers we compared various classification procedures, some of them including a feature space optimization step. The one that led to the best results was LDA preceded by its feature pre-selection algorithm. Generally, for training samples, class numbers of 40 were necessary to get the best results.
显示更多 [+] 显示较少 [-]