支持向量機應用於水稻田辨識之研究

Rice Paddy Identification Using the Support Vector Machine

陳承昌(C. C. Chen) ； 史天元(T. Y. Shih)

《航測及遙測學刊》 12卷3期 (2007/09) Pp. 225-240

https://doi.org/10.6574/JPRS.2007.12(3).3

摘要

「支持向量機」是以統計學習理論為基礎，所建構出的機器學習系統。其基本原理是在特徵空間中尋求具有最大區分度邊界的超平面，以區分不同的二元類別。本研究以「支持向量機」為分類器，進行水稻田的辨識作業，並採用嘉義地區多時段福衞二號(Formosat-2)影像及新竹地區多時段SPOT影像為資料來源。「支持向量機」可選用不同核函數，而且會因核函數選用的不同，而對分類成果造成差異。因此，本研究於嘉義及新竹實驗區分別採用線性、多項式、輻狀基底函數及兩層式類神經網路為核函數進行辨識作業，以分析其影響。 分類實驗成果，將「支持向量機」與高斯最大似然分類法及輻狀基底函數類神經網路，進行分類成果比較。由實驗成果顯示，「支持向量機」於嘉義實驗區以2階多項式所得的分類精度為最佳，其整體精度為89.830%、Kappa值爲0.79303；於新竹實驗區以輻狀基底函數所得的分類精度爲最佳，其整體精度爲84.989%、Kappa值爲0.68269。於兩實驗區中，「支持向量機」的分類精度皆優於高斯最大似然分類法及輻狀基底函數類神經網路。

關鍵字

多光譜影像 ； 人工智慧

並列摘要

This study investigates the application of the Support Vector Machine (SVM) for image classification. The images used for the experiment include multi-temporal Formosat-2 images of the Chiayi area and multi-temporal SPOT images of the Hsinchu area. There are a number of kernel functions to be selected with SVM.
In experiment, Gaussian Maximum Likelihood Classification and Radial Basis Function (RBF) neural network are used for comparison. The Polynomial Kernel Function is the best for Chiayi and RBF is the best for Hsinchu. The overall accuracy is 89.830% for Chiayi and 84.989% for Hsinchu. The kappa index is 0.79303 for Chiayi and 0.68269 for Hsinchu. In terms of the classification accuracy, Support Vector Machine is shown to be better than Gaussian Maximum Likelihood Classification and Radial Basis Function (RBF) neural network.

並列關鍵字

Multispectral images ； Artificial intelligence