Pendekatan baru membantu meningkatkan akurasi klasifikasi citra penginderaan jauh

Penggunaan/tutupan lahan (LULC) merupakan pembentuk utama lingkungan ekologi. Menggunakan teknologi penginderaan jauh untuk memantau LULC secara dinamis dan mengekstrak informasi perubahan LULC secara kuantitatif merupakan studi penting untuk mengatasi perubahan iklim global dan menjaga keseimbangan energi sistem bumi.

Pembelajaran mendalam telah terbukti efektif dalam mengekstraksi LULC dari citra penginderaan jauh. Dalam beberapa tahun terakhir, integrasi beberapa model pembelajaran mendalam telah menjadi metode yang efektif untuk meningkatkan akurasi klasifikasi citra penginderaan jauh, namun metode integrasi ini mengabaikan korelasi internal antar piksel, sehingga memerlukan biaya waktu pelatihan yang tinggi dan peningkatan akurasi yang terbatas.

Sebuah tim peneliti yang dipimpin oleh Prof. Huang Chunlin dari Northwest Institute of Eco-Environment and Resources of Chinese Academy of Sciences melakukan penelitian tentang hubungan internal piksel dan penggunaannya untuk klasifikasi gambar penginderaan jauh.

Studi ini dipublikasikan di Jurnal Fotogrametri dan Penginderaan Jauh ISPRS.

Para peneliti menemukan bahwa menggunakan informasi asosiasi antar piksel untuk membangun rakitan yang berbeda dapat menghilangkan ketergantungan pada banyak model dalam proses klasifikasi terintegrasi.

Mereka mengusulkan kerangka klasifikasi ansambel berbasis ganda (DBECF), yang menghilangkan kebutuhan akan beberapa pengklasifikasi untuk meningkatkan akurasi klasifikasi citra penginderaan jauh.

DBECF dapat secara efektif meningkatkan akurasi klasifikasi berbagai jenis citra penginderaan jauh, dan memiliki keunggulan nyata dalam akurasi dan efisiensi dibandingkan dengan model klasifikasi terintegrasi berbasis piksel tunggal yang ada.

Dibandingkan dengan klasifikasi berbasis instans tunggal tradisional, DBECF dapat mencapai hasil klasifikasi yang beragam melalui kombinasi instans yang berbeda, yang menghadirkan kondisi dan potensi untuk meningkatkan akurasi dan efisiensi melalui strategi ansambel.

Selain itu, DBECF mengatasi kekurangan yang memakan waktu dari model klasifikasi terintegrasi saat ini, memberikan perspektif baru untuk kombinasi pembelajaran mendalam dan pembelajaran ansambel, dan memiliki referensi teoretis dan nilai praktis yang penting untuk mengekstraksi LULC berkualitas tinggi guna mendukung skala besar. dan penelitian geosains seri jangka panjang.