Remote Sensing Image Classification: A survey of support-vector-machine-based advanced techniques

Maulik, Ujjwal; Chakraborty, Debasis

doi:10.1109/mgrs.2016.2641240

Cited by 171 publications

(86 citation statements)

References 110 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Methods Thomas et al, 2003Lu et al, 2004Ma et al, 2017Maulik and Chakraborty, 2017Guisan and Thuiller, 2005Elith and Leathwick, 2009Franklin, 2010Li and Wang, 2013Morris et al, 2016Ashraf et al, 2017de Rivera and López-Quílez, 2017 can be approached from two perspectives: the data collection methods and the map production methods. Developments in data collection techniques in the last few decades have increased the types, amount and quality of data that can be collected for marine environmental characterization, particularly in terms of remotely sensed data (Brown et al, 2011;Kachelriess et al, 2014;Lecours et al, 2016b).…”

Section: Marine Habitat Mappingmentioning

confidence: 99%

On the Use of Maps and Models in Conservation and Resource Management (Warning: Results May Vary)

Lecours

2017

Front. Mar. Sci.

View full text Add to dashboard Cite

Conservation planning and management typically require accurate and spatially explicit data at scales that are relevant for conservation objectives. In marine conservation, these data are often combined with spatial analytical techniques to produce marine habitat maps. While marine habitat mapping is increasingly used to inform conservation efforts, this field is still relatively young and its methods are rapidly evolving. Because conservation efforts do not always specify standards or guidelines for the production of habitat maps, results can vary dramatically. As representations of real environmental characteristics, habitat maps are highly sensitive to how they are produced. In this review paper, I present four concepts that are known to cause variation in spatial representation and prediction of habitats: the methodology used, the quality and scale of the data, and the choice of variables in regards to fitness for use. I then discuss the potential antinomy associated with the use of habitat maps in conservation: while habitat maps have become an invaluable tool to inform and assist decision-making, maps of the same area built using different methods and data may provide dissimilar representations, thus providing different information and possibly leading to different decisions. Exploring the theories and methods that have proved effective in terrestrial conservation and the spatial sciences, and how they can be integrated in marine habitat mapping practices, could help improve maps used to support marine conservation efforts and result in more reliable products to inform conservation decisions. Having a strong, consistent, transparent, repeatable, and science-based protocol for data collection and mapping is essential for effectively supporting decision-makers in developing conservation and management plans. The development of user-friendly tools to assist in the application of such protocol is crucial to a widespread improvement in practices. I discuss the potential to use interactive and collaborative Geographic Information Systems (GIS) to encourage the conservation and management community, from data collectors and mapmakers to decision-makers, to move toward a digital resilience and to develop such science-based protocol. Until standards and protocols are developed, habitat maps should always be interpreted with care, and the methods and metadata associated with their production should always be explicitly stated.

show abstract

Section: Marine Habitat Mappingmentioning

confidence: 99%

On the Use of Maps and Models in Conservation and Resource Management (Warning: Results May Vary)

Lecours

2017

Front. Mar. Sci.

View full text Add to dashboard Cite

show abstract

“…They concluded that SVM-based classification methods perform better in terms of accuracy, speed, and memory requirements, and can operate effectively and accurately in cases where training samples are limited, which is generally the case for satellite image classification problems. They also noted the constraints that should be considered in SVM, such as the need to appropriately define the kernel function, the representation efficiency of the training sample, and the consistency of statistical distributions between classes [19].In most satellite image classification scenarios, higher accuracies (over 85%) are attained when the major land cover (LC) classes, such as vegetation, water, and urban classes are the concern [20,21]. Achieving high accuracies becomes challenging when the higher-level class definitions are the concern, due to the spectral and spatial similarities [22].…”

mentioning

confidence: 99%

mentioning

confidence: 99%

Separating Built-Up Areas from Bare Land in Mediterranean Cities Using Sentinel-2A Imagery

et al. 2019

View full text Add to dashboard Cite

In this research work, a multi-index-based support vector machine (SVM) classification approach has been proposed to determine the complex and morphologically heterogeneous land cover/use (LCU) patterns of cities, with a special focus on separating bare lands and built-up regions, using Istanbul, Turkey as the main study region, and Ankara and Konya (in Turkey) as the independent test regions. The multi-index approach was constructed using three-band combinations of spectral indices, where each index represents one of the three major land cover categories, green areas, water bodies, and built-up regions. Additionally, a shortwave infrared-based index, the Normalized Difference Tillage Index (NDTI), was proposed as an alternative to existing built-up indices. All possible index combinations and the original ten-band Sentinel-2A image were classified with the SVM algorithm, to map seven LCU classes, and an accuracy assessment was performed to determine the multi-index combination that provided the highest performance. The SVM classification results revealed that the multi-index combination of the normalized difference tillage index (NDTI), the red-edge-based normalized vegetation index (NDVIre), and the modified normalized difference water index (MNDWI) improved the mapping accuracy of the heterogeneous urban areas and provided an effective separation of bare land from built-up areas. This combination showed an outstanding overall performance with a 93% accuracy and a 0.91 kappa value for all LCU classes. The results of the test regions provided similar findings and the same index combination clearly outperformed the other approaches, with 92% accuracy and a 0.90 kappa value for Ankara, and an 84% accuracy and a 0.79 kappa value for Konya. The multi-index combination of the normalized difference built-up index (NDBI), the NDVIre, and the MNDWI, ranked second in the assessment, with similar accuracies to that of the ten-band image classification.

show abstract

“…Найбільш поширеними методами машинного навчання для задач кла-сифікації [7] є штучні нейронні мережі (artificial neural network) [1], логісти-чна регресія [1], метод опорних векторів Support Vector Machine (SVM) [1] та random forest [8].…”

Section: т а б л и ц я 1 різновидності підходів до класифікації залunclassified

Review of machine learning methods for Big satellite Data classification

Lavreniuk¹,

Novikov²

2018

SRIT

View full text Add to dashboard Cite

Анотація. З появою у вільному доступі великих обсягів супутникових даних дедалі більшої актуальності набуває розвиток методів машинного навчання на підставі геопросторових даних, зокрема, супутникових. Розглянуто основні методи машинного навчання і проаналізовано особливості та результати їх за-стосування до класифікації земного покриву за супутниковими даними висо-кого розрізнення. Особливу увагу приділено глибинним архітектурам, зокрема згортковим нейронним мережам, що натепер є найбільш потужним і точним методом для розпізнавання візуальних образів. Визначено основні переваги методів глибинного навчання над традиційними підходами до задач класифі-кації, що використовувались протягом останніх десятиліть і ґрунтувались на експертних знаннях для виокремлення ознак із вхідних даних.Ключові слова: машинне навчання, глибинне навчання, згорткова нейронна мережа, класифікація великих обсягів даних. ОГЛЯД МЕТОДІВ МАШИННОГО НАВЧАННЯМашинним навчанням називається галузь комп'ютерних наук, яка вивчає методи навчання комп'ютеризованих систем на підставі даних без програ-мування їх поведінки [1]. Методи машинного навчання (machine-learning methods) відіграють важливу роль у багатьох аспектах сучасного суспільства: від веб-пошуку до фільтрації контенту в соціальних мережах. Системи на базі методів машинного навчання використовуються в системах машинного зору, для ідентифікації об'єктів на зображеннях, аналізу людської мови і текстів тощо [2,3].Традиційно розпізнавання образів (або їх класифікація) здійснювалось на основі інформаційних ознак. Отже, побудова систем розпізнавання обра-зів (pattern-recognition) або систем, в основу яких покладено методи машин-ного навчання, потребувала експертних знань для розроблення методів та правил виокремлення ознак (feature extraction). Виокремлення ознак -це перетворення початкових «сирих» даних (таких як значення піксела на зо-браженні) у придатне подання (вектор ознак), з якого система навчання (класифікатор) може виявити і класифікувати образи, що подаються на вхід. Такі методи машинного навчання обмежені в можливостях обробляти при-родні дані в початковому вигляді [4].Існуючі типи класифікаторів систематизовано за різними критеріями і їх короткі характеристики наведено в табл. 1 [5].

show abstract

Remote Sensing Image Classification: A survey of support-vector-machine-based advanced techniques

Cited by 171 publications

References 110 publications

On the Use of Maps and Models in Conservation and Resource Management (Warning: Results May Vary)

On the Use of Maps and Models in Conservation and Resource Management (Warning: Results May Vary)

Separating Built-Up Areas from Bare Land in Mediterranean Cities Using Sentinel-2A Imagery

Review of machine learning methods for Big satellite Data classification

Contact Info

Product

Resources

About