Spálíkan fyrir niðurstöður flokkunaraðferða fyrir fjarkönnunarmyndir

Abstract

Flokkun fjarkönnunarmynda hefur verið stöðugt rannsökuð undanfarna áratugi. Á hverju ári eru gefnir út hundruðir vísindagreina sem fjalla um nýjar aðferðir til flokkunar fjarkönnunarmynda og bera þau saman við þekktar aðferðir. Það er áhugavert að vita hvort hægt sé að spá fyrir um frammistöðu flokkunaraðferða með því að nota eingöngu meta-gögn s.s. stærð myndarinnar sem verið er að flokka, fjölda flokka eða gerð af flokkunaraðferð. Í þessari rannsókn er spálíkan þjálfað með meta-gögnum og flokkunarnákvæmni aðferða úr yfir hundrað birtum vísindagreinum. Línuleg og ólínuleg aðhvarfsgreiningarlíkön eru þjálfuð og bestuð með 5-faldri krossgildingu og með beitingu varpana á spágildi. Niðurstöður sýna að ólínuleika aðhvarfsgreiningarlíkana skiptir höfðumáli í að auka nákvæmni spálíkansins. Að lokum er safnlíkan þjálfað og bestað með notkun Bayes bestunar. Niðurstöður sýna að safnlíkan með Logit vörpun á spágildi nær 3.8\% meðaltalsskekkju. Þessi rannsókn getur gefið vísindamönnum í fjarkönnun gagnlega innsýn inn í stöðu rannsókna á flokkun fjarkönnunarmynda og hjálpað til við að meta niðurstöður og þróa nýjar aðferðir.

Hyperspectral image classification has been an active research topic in remote sensing for decades. Every year hundreds of research papers are published that present new classification algorithms and compare them with known algorithms. It is of interest to know to what degree one can predict a classification algorithm's performance using only metadata such as the size of an image being classified, the number of classes and the type of classification method used. In this study, a prediction model was trained by using data on classification accuracy and metadata from 100 research papers on hyperspectral image classification. Linear and nonlinear regression methods were trained and optimized using 5-fold cross-validation and various transformations of the output variable. In addition, an ensemble regression model is trained and optimized using Bayesian optimization. Results show that nonlinearity of the model is important to improve predictions and that an ensemble regression model with a Logit transformation yields prediction with a 3.82\% mean absolute error. This research may provide valuable information for remote sensing researchers and can help verify results and develop algorithms.