Hyperspectral imagery classification with cascaded support vector machines and multi-scale superpixel segmentation

2020 ◽  
Vol 41 (12) ◽  
pp. 4530-4550 ◽  
Author(s):  
Xianghai Cao ◽  
Da Wang ◽  
Xiaozhen Wang ◽  
Jing Zhao ◽  
Licheng Jiao
Keyword(s):  
Support Vector Machines ◽  
Hyperspectral Imagery ◽  
Support Vector ◽  
Superpixel Segmentation ◽  
Multi Scale ◽  
Vector Machines

scholarly journals Mediterranean forest species mapping using hyperspectral imagery

2013 ◽  
Author(s):  
Γεωργία Γαλιδάκη
Keyword(s):  
Support Vector Machines ◽  
Hyperspectral Imagery ◽  
Mediterranean Forest ◽  
Support Vector ◽  
Forest Species ◽  
Spectral Angle Mapper ◽  
Vector Machines ◽  
Species Mapping ◽  
Spectral Angle

Τα Μεσογειακά δάση, παρότι είναι ένα μικρό κλάσμα της παγκόσμιας δασικής κάλυψης, χρειάζεται να γίνουν κατανοητά και να παρακολουθούνται ώστε να είναι δυνατή η διατήρησή τους. Χωρική πληροφορία, σχετικά με τη θέση τους, την έκτασή τους, τη δομή τους και τη βιοποικιλότητά τους, μεταξύ άλλων, είναι απαραίτητη και παραδοσιακά συγκεντρώνεται με κάθε διαθέσιμο τρόπο. Συγκεκριμένα, η χαρτογράφηση δασικών ειδών είναι απαιτούμενο και προϋπόθεση για ένα εύρος εφαρμογών στους τομείς της οικολογίας, βιολογίας, δασοκομίας και γεωργίας, όπως απογραφές, εκτίμηση βιοποικιλότητας, εκτίμηση κινδύνου πυρκαϊάς, σχεδιασμός πολιτικών προστασίας, διαχείριση φυσικών κινδύνων, παρακολούθηση αλλαγών και εκτίμηση δέσμευσης άνθρακα. Επιπρόσθετα, πληροφορίες για τα δασικά είδη είναι απαραίτητες για τις εθνικές υποχρεώσεις υποβολής εκθέσεων βάσει εθνικών και διεθνών πολιτικών, όπως η Σύμβαση Πλαίσιο των Ηνωμένων Εθνών για την Κλιματική Αλλαγή (UNFCCC) και το Πρωτόκολλο του Κιότο, η Σύμβαση του ΟΗΕ για τη Βιοποικιλότητα (UNCBD), το Συνεργατικό Πρόγραμμα για τη Μείωση των Εκπομπών από την Αποδάσωση και την Υποβάθμιση των Δασών στις Αναπτυσσόμενες χώρες του ΟΗΕ (UN-REDD), η Υπουργική Διάσκεψη για την Προστασία των Δασών στην Ευρώπη (MCPFE) και ο Εξορθολογισμός των ευρωπαϊκών δεικτών βιοποικιλότητας 2010 (SEBI2010). Η πρόοδος της υπερφασματικής τεχνολογίας παρέχει στους ερευνητές την ευκαιρία να διερευνήσουν προβλήματα που ήταν είτε δύσκολο είτε αδύνατο να προσεγγίσουν με χρήση πολυφασματικών δεδομένων, μεταξύ των οποίων και η χαρτογράφηση δασικών ειδών. Η παρούσα μελέτη εξετάζει τη χαρτογράφηση Μεσογειακών δασικών ειδών με βάση δορυφορική υπερφασματική εικόνα EO-1 Hyperion (30μ, 196δίαυλοι). Αξιολογήθηκαν δυο μεθοδολογίες ανάλυσης σε επίπεδο εικονοστοιχείου, συγκεκριμένα με βάση το Χαρτογράφο Φασματικής Γωνίας (Spectral Angle Mapper - SAM) και τις Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines - SVM), όπως επίσης και μία μεθοδολογία αντικειμενοστρεφούς ανάλυσης (GEOBIA). Αυτές εφαρμόστηκαν σε δύο περιοχές μελέτης με διαφορετική σύνθεση και χωρικό μοτίβο ειδών, τη νήσο Θάσο και τον Ταξιάρχη Χαλκιδικής. Εκτενής εργασία πεδίου παρείχε τα δεδομένα αναφοράς για την εκτίμηση ακρίβειας των χαρτών. Το στάδιο της προεπεξεργασίας περιελάμβανε βήματα διορθώσεων και μείωση υπερφασματικής διάστασης. Στην περίπτωση της Θάσου, όπου υπήρχαν δύο είδη πεύκης, οι μεθοδολογίες με SAM, SVM και GEOBIA, πέτυχαν ολική ακρίβεια 94%, 89% και 85,3% αντίστοιχα. Στην περίπτωση του Ταξιάρχη, όπου υπήρχαν περισσότερα είδη, οι αντίστοιχες ολικές ακρίβειες που επιτεύχθηκαν ήταν 80%, 82,6% και 74,1%. Και οι τρεις μεθοδολογίες που αναπτύχθηκαν πέτυχαν πολύ ακριβή αποτελέσματα, σε μερικές περιπτώσεις εφάμιλλα χαρτών δασικής απογραφής. Η πρώτη (SAM) ήταν η πιο απλή στην εφαρμογή ενώ για τη δεύτερη χρειάστηκαν τόσο μια σειρά από παραμετροποιήσεις όσο και προσαρμοσμένο λογισμικό. Οι χαμηλότερες ακρίβειες της τελευταίας μεθοδολογίας (GEOBIA) μπορούν να αποδοθούν στον τρόπο εκτίμησής της, αφού στην περίπτωση της αντικειμενοστρεφούς ανάλυσης ερευνώνται ακόμα εναλλακτικές μέθοδοι εκτίμησης ακρίβειας, καλύτερα προσαρμοσμένες στη φύση του χώρου των αντικειμένων. Το αποτέλεσμα των προτεινόμενων μεθοδολογιών είναι δυνατό να καλύψουν τις τρέχουσες ανάγκες για γεωγραφικά δεδομένα βλάστησης, τόσο σε περιφερειακή όσο και σε εθνική κλίμακα. Επίσης, καταδεικνύουν την αξία των δορυφορικών υπερφασματικών εικόνων στη χαρτογράφηση δασικών ειδών της Μεσογείου.

Applying improved multi-scale entropy and support vector machines for bearing health condition identification

2010 ◽  
Vol 224 (6) ◽  
pp. 1315-1325 ◽  
Author(s):  
L Zhang ◽  
G Xiong ◽  
H Liu ◽  
H Zou ◽  
W Guo
Keyword(s):  
Support Vector Machines ◽  
Mechanical Vibration ◽  
Health Condition ◽  
Small Sample ◽  
Support Vector ◽  
Engineering Practice ◽  
Vibration Signals ◽  
Multi Scale ◽  
Vector Machines ◽  
Machine Health

Considering the non-linearity existing in bearing vibration signals as well as the scarcity of fault samples, this paper presents a method for bearing health condition identification based on improved multi-scale entropy (IMSE) and support vector machines (SVMs). IMSE refers to the calculation of improved sample entropies (i.e. fuzzy sample entropies across a sequence of scales). Applying IMSE to mechanical vibration signals can take into account not only the non-linearity but also the interactions and coupling between mechanical components, thus providing much more information regarding the machine health condition than traditional single-scale entropy can be expected to. In engineering practice, the amount of fault samples is often limited for training a classifier, which thus decreases the performance of traditional classifiers like artificial neural networks (ANNs). SVMs are derived from statistical learning theory, which is different from the conventional statistical theory on which ANNs are based. SVMs provide a favourable solution to small sample-sized problems. In this study, IMSE and SVMs are employed as fault feature extractor and classifier, respectively. The experimental results verify that the proposed method has potential applications in bearing health condition identification.

Sign in / Sign up

Export Citation Format

Share Document