Aggregation of results of automatic classification of remote sensing data of natural objects
Aleksandr V. Lapko · Vasiliy A. Lapko
提出聚合多维光谱遥感自动分类结果的方法，合并相似类别为宏类。
改进Forel算法、非参数模式识别、Kolmogorov-Smirnov检验与信
基于分布同质性检验可有效聚合自动分类类别，形成稳定宏类。
可将该聚合框架用于作物遥感分类后处理，提升类别一致性与可解释性。
该文为遥感数据自动分类结果聚合的算法论文，属通用遥感方法研究，与三农、农业信息化、智慧农业无直接关联，不建议进入每日精选。
针对多维光谱遥感数据自动分类结果的聚合方法被提出。该任务通过改进的“Forel”算法以及用于检验表征所检测类别的随机变量分布律同质性假设的程序来完成。当自动分类算法旨在检测对应于其概率密度单峰片段的随机变量值集合时，在其均值随机变量值空间内重新分组类别是合理的。这通过“Forel”算法的改进版本实现，其参数基于计算实验结果确定。如果存在关于自然对象属性的附加信息，则可将其用于聚合光谱特征空间中的自动分类结果。在这些条件下，类别聚合基于检验表征附加信息的随机变量分布律同质性假设。为解决该问题，采用遵循最大似然准则的非参数模式识别算法。分类算法核函数的最优模糊系数基于在“滑动检验”模式下最小化模式识别误差估计的要求进行选择。所得结果汇总于信息图的构建中，其节点对应于类别。如果给定类别对的模式识别误差与0.5无显著差异，则在两个图节点之间形成边。使用Kolmogorov–Smirnov检验的改进版本来检验假设。宏类由对应于完全子图的类别形成，这些类别在附加信息中的特征分布模式上没有可靠差异。形成宏类的顺序过程从寻找具有最大类别数的完全子图开始。所得结果构成了开发决策规则的基础，该规则用于评估光谱特征值在所得宏类中的隶属关系。所提出的用于聚合自动分类结果的方法对于遥感数据的系统分析具有相关性。