- Hàm hiển thị thụng tin dữ liệu bản đồ khi tach ọn
3. Thực nghiệm và kết quả
của điểm ảnh thứ i sẽ gồm 5
thành phần tọa độ tương ứng với giỏ trị độ xỏm
của điểm ảnh đú trờn 5 kờnh.
3.1.Dữ liệu thực nghiệm
Thực nghiệm được thực hiện trờn ảnh QuickBird đa phổ với phõn giải khụng gian 2.6m
tại địa điểm đường Trần Duy Hưng, Phường
Trung Hũa, Quận Cầu giấy, Hà nội. Ảnh được thu năm 2003 với 4 kờnh ảnh phổ là IRED, RED,
GREEN, và BLUE. Khu vực thực nghiệm cú
kớch thước 400ì400 điểm ảnh (Hỡnh 2). Ảnh được tham chiếu theo hệ tọa độ WGS84 với phộp
chiếu UTM, mỳi thứ 48 theo khu vực Việt nam.
Sau khi khảo sỏt khu vực thực nghiệm, cú thể
thấy rằng khu vực này cỏc lớp bao gồm đường
giao thụng, nhà, ruộng lỳa, thảm thực vật tự
nhiờn và đất mặt nước. Cỏc lớp này được lấy mẫu với số lượng mẫu tương đối lớn sau đú lược bớt dần thành cỏc tập mẫu nhỏ hơn nhằm đỏn h giỏ k hả năng phõn loại của cỏc thuật toỏn khi số lượng mẫu huấn luyện nhỏ.
Hỡnh 2. Ảnh QuickBird khu vực thực nghiệm
3.2.Kết quả
Để đỏnh giỏ khả năng phõn loại của thuật toỏn
SVM, kết quả của phương phỏp này được so
sỏnh với kết quả phõn loại của hai phương phỏp là xỏc suất cực đại và khoảng cỏch tối thiểu. Đặc biệt, kết quả so sỏnh được tham chiếu tới số lượng mẫu huấn luyện sử dụng nhằm đỏnh giỏ
khả năng phõn loại của cỏc thuật toỏn này trong
điều kiện số mấu huấn luyện ớt, khẳng định cỏc
nghiờn cứu lý thuyết về cỏc điểm mạnh của SVM.
Kết qủa phõn loại bằng cỏc thuật toỏn phõn
loại theo khoảng cỏch tối thiểu được trỡnh bày ở
Hỡnh 3, xỏc suất cực đại được trỡnh bày như Hỡnh
4 và SVM được trỡnh bàynhư Hỡnh 5.
Hỡnh 3. Kết quả phõn loại bằng phương phỏp khoảng
Tuyển tập bỏo cỏo Hội nghị Khoa học lần thứ 20, Đại học Mỏ - Địa chất, Hà Nội, 15/11/2012
88
Hỡnh 4. Kết quả phõn loại bằng phương phỏp xỏc
suất cực đại
Quan sỏt, đỏnh giỏ kết quả phõn loại bằng mắt thường cú thể thấy với nhúm mẫu huấn luyện đó
sử dụng, thuật toỏn SVM cho thấy ưu điểm của
mỡnh khi phõn loại cỏc lớp phủ cú khoảng phổ
nằm gần nhau như lớp đất thảm thực vật tự nhiờn
Hỡnh 5. Kết quả phõn loại bằng phương phỏp SVM
Để so sỏnh kết quả cỏc phương phỏp SVM, xỏc suất cực đại và khoảng cỏch tối thiểu dựa trờn chỉ số định lượng, phần đỏnh giỏ độ chớnh xỏc được thực hiện trờn 372 mẫu điểm ảnh. Kết quả đỏnh giỏ độ chớnh xỏc theo ma trận confusion matrix được trỡnh bày trờn cỏc Bảng 1, Bảng 2 và Bảng 3.
Dựa trờn chỉ số thống kờ chung như độ chớnh xỏc tổng thể (overall accuracy) cho thấy SVM cú độ chớnh xỏc vượt trội so với cỏc phương phỏp
cũn lại. Sai số tổng thể của kết quả phõn loại
bằng SVM là 94.89% trong khi đú sai số tổng thể
của kết quả phõn loại
bằng phương phỏp xỏc suất cực đại và khoảng
cỏch tối thiểu lần lượt là 89.52% và 86.56%.
Hỡnh 6. Mối lien hệ giữa độ chớnh xỏc phõn loại lớp
phủ và số lượng mẫu huấn luyện
Hiển nhiờn là, việc đ ỏn h g iỏ cỏc thuật toỏn
phõn loại dựa trờn số lượng mẫu hạn chế như
trờn cú thể cho cỏc kết luận khụng hoàn toàn
chớnh xỏc và cần được nghiờn cứu thờm với số
lượng mẫu đỏnh giỏ nhiều hơn và nhiều nhúm
mẫu hơn. Tuy nhiờn, kết quả đỏnh giỏ cũng đó
phần nào khẳng định ưu điểm của thuật toỏn
SVM so với cỏc thuật toỏn phõn loại phổ biến
hiện nay như xỏc suất cực đại và khoảng cỏch tối
Tuyển tập bỏo cỏo Hội nghị Khoa học lần thứ 20, Đại học Mỏ - Địa chất, Hà Nội, 15/11/2012
89
4. Kết luận
Thuật toỏn phõn loại bằng mỏy học vector (SVM) đó được sử dụng trong phõn
loại cỏc đối tượng khỏc nhau. Thử nghiệm thuật toỏn SVM trong phõn loại lớp phủ cho thấy thuật toỏn cho kết quả với độ chớnh xỏc cao hơn cỏc thuật toỏn đang được sử dụng phổ biến hiện nay như xỏc suất cực đại hay khoảng cỏch tối thiểu.
Một điểm mạnh khỏc của thuật toỏn SVM là khả năng phõn loại với độ chớnh xỏc tương đối tốt khi số lượng mẫu huấn luyện khụng nhiều.
[1] Atkinson and Tatnall, "Neural network in
remote sensing," International Journal of
Remote Sensing, vol. 18, no. 4, 1997. [2] M. A. Friedl and C. E. Brodley, "Decision
tree classication of land cover from
remotely sensed data," Remote Sensing of
Environment, vol. 61, p. 399–409, , 61, 399–409 1997.
[3] G. M. Foody, "Sub-pixel methods in
Remote Sensing," in Remote Sensing Image
Analysis, Dortrecht, Kluwer Academic Publishers, 2004, pp. 37-49.
[4] V. Vapnik, Nature of statistical learning theory, Springer-Verlag, 2000.
[5] C. Burges, A tutorial on Support Vector Machines (Data Mining and Knowledge
Bảng 1. Ma trận thống kờ độ chớnh xỏc kết quả phõn loại bằng phương phỏp khoảng cỏch tối thiểu
Lớp Đường GT Nhà ở Rulỳa ộng
Thực vật
tự nhiờn Mnước ặt Đcx user
Đường GT 80.00 43.48 0 0 0 44.44 Nhà ở 20.00 39.13 2.78 0 0 78.26 Ruộng lỳa 0 8.7 80.56 0 0 87.88 Thực vật tự nhiờn 0 0 16.67 100 0 93.48 Mặt nước 0 8.7 0 0 100 97.87 Đcx Producer 80.00 39.13 80.56 100.00 100.00 89.52%
Bảng 2. Ma trận thống kờ độ chớnh xỏc kết quả phõn loại bằng phương phỏp xỏc suất cực đại
Lớp Đường GT Nhà ở Rulỳa ộng
Thực vật
tự nhiờn Mnước ặt Đcx user Đường GT 85.00 19.57 0.00 0.00 0.00 65.38 Nhà ở 15.00 80.43 0.00 0.00 14.67 55.22 Ruộng lỳa 0.00 0.00 94.44 0.00 4.89 79.07 Thực vật tự nhiờn 0.00 0.00 5.56 100.00 0.00 97.73 Mặt nước 0.00 0.00 0.00 0.00 80.43 100.00 Đcx Producer 85.00 80.43 94.44 100.00 80.43 86.56%
Bảng 3. Ma trận thống kờ độ chớnh xỏc kết quả phõn loại lớp phủ bằng thuật toỏn SVM
Lớp Đường GT Nhà ở Rulỳa ộng
Thực vật
tự nhiờn Mnước ặt Đcx user Đường GT 85.00 26.09 0.00 0.00 0.00 58.62 Nhà ở 10.00 71.74 0.00 0.00 0.00 94.29 Ruộng lỳa 5.00 0.00 91.67 0.00 0.00 97.06 Thực vật tự nhiờn 0.00 0.00 8.33 100.00 0.00 96.63 Mặt nước 0.00 2.17 0.00 0.00 100.00 99.46 Đcx Producer 85.00 71.74 91.67 100.00 100.00 94.89%
Tuyển tập bỏo cỏo Hội nghị Khoa học lần thứ 20, Đại học Mỏ - Địa chất, Hà Nội, 15/11/2012
90
Discovery, 2, 121–167), U. Fayyad, Ed., Boston: Kluwer Academic Publishers, 1998.
[6] I. Guyon, J. Weston, S. Barnhill and V. Vapnik, "Gene Selection for Cancer Classification using Support Vector
Machines," Machine Learning, vol. 46, no.
1-3, pp. 389–422,, 2002.
[7] S. Tong and D. Koller, "Support vector machine active learning with applications to
text classification," The Journal of Machine
Learning Research, vol. 2, pp. 45-66, 1 2002.
[8] G. Foody and A. Mathur, "A relative evaluation of multiclass image classification
by support vector machines," IEEE
Transactions on Geoscience and Remote Sensing, vol. 42, no. 6, pp. 1335 - 1343, 2004.
[9] M. P. &. P. M. Mather, "Support vector machines for classification in remote
sensing," International Journal of Remote
Sensing, vol. 26, no. 5, pp. 1007-1011, 2005.
[10] H. C., D. L. S. and T. J. R. G., "An assessment of support vector machines for
land cover classiŽ cation," International
Jounrnal of Remote Sensing, vol. 23, no. 4, p. 725–749, 2002.
[11] L. Bruzzone and F. Melgani, "Classification of hyperspectral remote sensing images
with support vector machines," IEEE
Transactions on Geoscience and Remote Sensing, vol. 42, no. 8, pp. 1778 - 1790 , 2004.
SUMMARY
Land cover classification using support vector machine
Nguyen Quang Minh, Hanoi
University of Mining and Geology This paper is to assess the capability of Support Vector Machine (SVM) for land cover classification from remotely sensed imagery. The paper presents the method and approach of SVM, the using of SVM for land cover classification and the test of SVM for land cover classification from very high resolution image in Vietnam. The
results show some advantages of SVM in term of accuracy comparing with the other more traditional land cover classifiers such as maximum likelyhood, minimum distances. Furthermore, when the number of training samples are low, the SVM can producte more accurate land cover classification.
Tuyển tập bỏo cỏo Hội nghị Khoa học lần thứ 20, Đại học Mỏ - Địa chất, Hà Nội, 15/11/2012
91