Spectral–Spatial and Cascaded Multilayer Random Forests for Tree Species Classification in Airborne Hyperspectral Images
Notice bibliographique
Résumé
The rapid development of remote sensing sensors has made it possible to collect airborne hyperspectral data with high spectral and spatial resolution. Such data can provide valuable information to identify tree species in the forest. However, it is a challenge to efficiently utilize the abundant spectral information and complex spatial information within the data. In this article, a Spectral-Spatial and Cascaded Multilayer Random Forests (SSCMRF) method is proposed to classify tree species in the high spatial resolution hyperspectral image. The SSCMRF adopts two classification stages to fully exploit the spatial information within shape-adaptive superpixels and shape-fixed patches. Two different kinds of spatial information are integrated by concatenating the output of the superpixel-based classification and the spectral features as the input of the patch-based classification. To demonstrate the superiority of the proposed SSCMRF, experiments are conducted with an airborne hyperspectral data set of a forest area with the spatial resolution of 1 m. Training with 2.5% randomly selected ground truth samples, the proposed SSCMRF achieves a classification accuracy of 97.50% within 6 minutes. In addition, the experiment results demonstrate that the proposed SSCMRF outperforms some state-of-art spectral-spatial classification models in terms of quantitative metrics and visual quality on the classification map.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».