都市高光譜影像地貌辨識-支持向量機、隨機森林和類神經網路之比較

The Comparison Study of Land Cover on City: Support Vector Machine, Random Forest and Neural Network.

馬弘霖(Hong-Lin Ma)

指導教授 ： 萬絢

嶺東科技大學/資訊學院/資訊管理系碩士班/碩士(2019年)

摘要

本研究透過資料探勘辨識都市高光譜影像對不同類別的都市地貌進行分類，研究的區域為台中市北區太原北路附近，其擁有道路、河堤、人行道、河、陰影、樹、草皮、操場、籃球場紅、籃球場綠、水泥屋頂、鐵皮屋頂12等種地貌。目的是比較支持向量機、隨機森林和類神經網路在都市高光譜影像的分類效能，比較隨機森林特徵選取、線性判別分析特徵轉換和自編碼特徵轉換在都市高光譜影像的降維效果。辨識結果由高到低分別為自編碼特徵轉換+類神經網路 (100%)、自編碼特徵轉換+支持向量機 (100%)、自編碼特徵轉換+隨機森林 (99.07%)、支持向量機 (98.7%)、類神經網路 (98.15%)、隨機森林特徵選取+類神經網路 (97.96%)、隨機森林特徵選取+支持向量機 (97.96%)、線性判別分析特徵轉換+類神經網路 (97.59%)、線性判別分析特徵轉換+支持向量機 (97.41%)、線性判別分析特徵轉換+隨機森林 (95.74%)、隨機森林特徵選取+隨機森林 (94.81%)、隨機森林 (93.89%)。

關鍵字

都市高光譜影像 ； 支持向量機 ； 隨機森林 ； 類神經網路

並列摘要

The purpose of this study is to use urban hyperspectral imagery through data mining to classify the urban landscape hyperspectral imagery with various categories. The research area of this study is near Taiyuan North Road, North District of Taichung City. It has 12 kinds of categories: landforms including roads, river embankments, sidewalks, rivers, shadows, trees, turf, playground, basketball court red, basketball court green, cement roof and tin roof. It is decided to compare the support vector machine, random forest and neural network in urban hyperspectral image classification for parallel study. The classification performance for extracting attribute of random forest feature selection, linear discriminate analysis feature transformation and self-encoding feature transformation are also employed. The classification outcomes in decending order are: self-encoding feature conversion + neural network (100%), self-encoding feature conversion + support vector machine (100%), self-encoding feature conversion + random forest (99.07%), support vector machine (98.7%), neural network ( 98.15%), random forest feature selection + neural network (97.96%), random forest feature selection + support vector machine (97.96%), linear discriminate analysis feature conversion + neural network (97.59%), linear discriminate analysis feature conversion + support vector machine (97.41%), linear discriminate analysis feature conversion + random forest (95.74%), random forest feature selection + random forest (94.81%), random forest (93.89%).

並列關鍵字

Hyperspectral imaging ； Random Forest ； Support Vector Machine ； Neural Network

參考文獻

邱盛鴻（2017），地方審計人員應用GIS情形與影響因素之研究，東海大學公共事務碩士在職專班碩士論文，台中市。

林軒如（2011），應用GIS評估台中市集集地震地價災害損失時空特性，國立中正大學應用地球物理研究所碩士論文，嘉義縣。

劉易（2017），邁向生態城市的發展GIS作為環境品質控制工具方法之研究—以新埔都市計畫區為例，國立高雄大學創意設計與建築學系碩士班碩士論文，高雄市。

嚴綾（2012），應用衛星資料探討大台北地區都市熱島效應之時空分布，國立中央大學太空科學研究所碩士論文，桃園縣。

賴奕璇（2017），以遙測影像探討香山溼地紅樹林清除變遷之研究，中華大學休閒遊憩規劃與管理學系碩士論文，新竹市。