A Simulation Study of the Effect of Scene Autocorrelation, Training Sample Size and Sampling Method on Classification Accuracy
Matthias Dobbertin, Gregory S. Biging · Canadian Journal of Remote Sensing · 1996
Le type d'échantillon utilisé dans le choix du nombre et de la configuration des échantillons d'entraînement, l'autocorrélation spatiale de l'image échantillonnée et les variables utilisées sont des facteurs qui influencent la classification d'image. L'importance de ces facteurs dans la classification a été comparée. Pour cette étude, nous avons utilisé des images simulées et les avons classifiées à l'aide de la méthode du maximum de vraisemblance gaussienne.Trois images présentant des degrés différents d'autocorrélation spatiale ont été simulées. Chaque image comportait seize types de peuplement forestier formés de la combinaison de quatre classes différentes de type de couverture de couronnes et quatre dimensions différentes de couronnes. Les facteurs utilisés ont été deux méthodes différentes d'échantillonnage (l'échantillonnage stratifié aléatoire et l'échantillonnage stratifié par regroupement), cinq tailles différentes d'échantillons d'entraînement, des variables de classification avec et sans mesures spatiales de texture et trois types d'images avec des degrés différents d'autocorrélation spatiale. Les taux de précision ont été calculés pour cinq échantillonnages différents. Une table ANOVA a été créée basée sur les mesures de précision globale.Le type de variable de classification utilisé a constitué le facteur le plus important quant à la précision globale. Les variables de texture sous forme de variances dans les fenêtres locales ont amélioré considérablement la précision de la classification. Le second facteur le plus important a été le type d'image. Les images avec un haut degré d'autocorrélation spatiale ont démontré des taux de précision inférieurs. Les variables de texture avec des noyaux superposés, bien qu'améliorant la précision de la classification, sont par définition autocorrélés. Ainsi, lorsque l'on prend un échantillonnage de pixels pour le modèle d'entraînement, il y aura une plus grande autocorrélation particulièrement pour la variable de texture lorsque les échantillons sont pris par regroupement que lorsque les pixels sont choisis de façon aléatoire. Ainsi, l'échantillonnage aléatoire par stratification a produit des taux de précision plus grands que l'échantillonnage par regroupement.Il nous a été possible également d'identifier des interactions significatives entre ces facteurs qui nous ont permis d'améliorer notre connaissance des conditions sous lesquelles ces facteurs influencent la précision de la classification.