An Empirical Comparison of Evidential Reasoning, Linear Discriminant Analysis, and Maximum Likelihood Algorithms for Alpine Land Cover Classification

Publisher Website
Google Scholar
Abstract
La mise au point de nouvelles méthodes d'analyse des données de télédétection actuelles et futures est nécessaire si l'on veut surmonter les limites que présentent les méthodes classiques de traitement et de classification des images. Dans le présent article, l'auteur fait l'évaluation d'un classificateur par raisonnement d'évidences [Evidential Reasoning] (MERCURY⊕) qui fait appel à la théorie des évidences de Dempster-Shafer et qui offre une souplesse accrue ainsi qu 'une nouvelle fonctionnalité pour traiter des ensembles de données présentant des propriétés statistiques diverses, des dimensions supérieures, de l'incertitude et des échelles de mesures différentes, facteurs qui déjouent les algorithmes classiques de classification par maximum de vraisemblance et d'analyse discriminante linéaire. Le fondement théorique du classificateur d'évidences est comparé aux deux méthodes précitées. Suit ensuite une comparaison empirique approfondie des trois classificateurs, fondée sur une série de tests pour neuf classes de couverture du sol dans une région montagneuse située dans le sud-ouest du Yukon. Douze combinaisons différentes de variables choisies parmi un ensemble de données de sources multiples, soit des images SPOT, des images de texture et des images de variablesgéomorphométriques tirées d'un modèle numérique d'élévation, ont été soumises à chacun des classificateurs, puis les résultats ont été comparés. La précision de la classification par maximum de vraisemblance a atteint son maximum avec l'utilisation de quatre variables et celle-ci s'est détériorée avec l'ajout d'autres variables. On a observé la tendance inverse dans le cas des deux autres méthodes. Sur les trois classificateurs, seul le classificateur par raisonnement d'évidences pouvait traiter les mesures d'orientation directement, alors qu'avec les deux autres, on a dû faire appel à une transformation de l'incidence. La méthode de classification des évidences a produit de meilleurs résultats de classification avec l'utilisation de l'orientation plutôt que l'incidence, ce qui donne à penser que la transformation des données a engendré une perte d'informations. Dans l'ensemble, le logiciel MERCURY ⊕ a produit les eilleurs résultats de classification dans 9 cas sur 12 et a, déplus, présenté le meilleur taux de précision global, soit 91 pour cent. Les résultats de ces comparaisons illustrent, d'une part, le besoin d'innover en matière de traitement d'images et d'extraction de l'information et, d'autre part, les avantages et la supériorité du classificateur d'évidences pour la classification intégrée d'images de sources multiples.

This publication has 20 references indexed in Scilit: