Image Classification Using RapidEye Data: Integration of Spectral and Textual Features in a Random Forest Classifier
Notice bibliographique
Résumé
Information on crop types derived from remotely sensed images provides valuable input for many applications such as crop growth modeling and yield forecasting. In this paper, a random forest (RF) classifier was used for crop classification using multispectral RapidEye imagery over two study sites, one in north-eastern China and one in eastern Ontario, Canada. Both vegetation indices (VIs) and textural features were derived from the RapidEye imagery and used for classification. A total of 20 VIs, categorized into two groups with and without the red edge (RE) band in an index, were calculated. A total of eight types of textural features were derived using four different window sizes from both the RE and the near-infrared bands. To reduce redundancies among the VIs and textural features, feature selection using the principal component analysis, correlation analysis, and stepwise discriminant analysis was performed. Results showed that the overall classification accuracy was improved by ~7% when the RE indices were combined with the five spectral bands in classification, as compared with that using the five bands alone. When textural information was included, the overall classification accuracy increased by ~6% compared with that using the band reflectance alone. Furthermore, when all the features (band reflectance, VIs, and texture) were used, the overall classification accuracy increased by ~12% compared with that using only the band reflectance. The RF importance measures showed that the RE reflectance was important for classification, as indicated by the high importance for the triangular vegetation index, transformed chlorophyll absorption in reflectance index, and green-rededge normalized difference vegetation index. The gray-level co-occurrence matrix mean is the most useful for classification among the textural features. The study provides a means to feature extraction and selection for crop classification from remote sensing imagery.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».