امتیاز کاربران: 

پایان نامه بررسی روش جنگل تصادفی جهت بهبود طبقه‌ بندی پوشش اراضی شهری با استفاده از تصاویر ماهواره‌ ای

word
117
16 MB
31437
1390
کارشناسی ارشد
قیمت: ۱۱,۷۰۰ تومان
دانلود مقاله
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه بررسی روش جنگل تصادفی جهت بهبود طبقه‌ بندی پوشش اراضی شهری با استفاده از تصاویر ماهواره‌ ای

    پایان‌نامه کارشناسی ارشد

    در رشته مهندسی عمران – نقشه‌ برداری

    گرایش سنجش از دور

    چکیده

    طبقه‌بندی پوشش اراضی شهری همیشه به علت قابلیت برقراری ارتباط عناصر انسانی با محیط‌ های فیزیکی و استفاده در مدیریت بهتر منابع دارای اهمیت بوده و هست. نیاز به دانش به‌روز، صحیح و دارای جزئیات از اطلاعات پوشش اراضی شهری حاصل از داده‌های سنجش از دور به طور فزاینده‌ای در میان بسیاری از جوامع احساس می‌شود. با پیشرفت‌های اخیر در داده، فن‌آوری، و نظریه‌های سنجش از دور، ضرورت این امر بیشتر نیز می‌شود. پیشرفت سنجنده‌های جدید، پتانسیل بالایی برای طبقه‌بندی شهری را نشان می‌دهد. با این وجود، عملکرد روش‌های طبقه‌بندی مرسوم و قدیمی به علت پیچیدگی تفسیر تصویر، محدود بوده؛ و مطالعه روش‌های جدیدتر برای رفع این محدودیت‌ها بیشتر احساس می‌شود. از طرف دیگر، روش‌های جدید در بازشناسی الگو همانند جنگل تصادفی (RF[1])، به عنوان یک الگوریتم یادگیری ماشینی جدید، توجه بسیاری را در زمینه طبقه‌بندی تصویر و بازشناسی الگو به خود جلب کرده است. چندین تحقیق نیز مزایای RF در طبقه‌بندی کاربری اراضی را نشان داده است. با این حال، تعداد کمی از این تحقیقات در زمینه شهری و استفاده از تصاویر ماهواره‌ای جدید و لیدار تمرکز داشته است. در این تحقیق یک صحنه شهری با روشی جدید مبتنی بر تلفیق روش شی‌گرا و طبقه‌بندی RF  برای بهبود طبقه‌بندی پیشنهاد شده و مورد بررسی قرار گرفته است. برای مقایسه، روش‌های طبقه‌بندی مرسوم نیز انجام شده است. در طبقه‌بندی پیکسل-مبنا با الگوریتم‌های مختلف طبقه‌بندی، RF بالاترین دقت کلی را در حدود 82%، و در طبقه‌بندی شی-مبنا SVM بالاترین دقت کلی را در حدود 79% و RF دقت 77% را تولید کرد. در طبقه‌بندی ویژگی‌های شی-مبنا برای اشیا حاصل از قطعه‌بندی یک سطح با روش پیشنهادی دقت کلی الگوریتم RF از 75% به 76%، دقت کلی الگوریتم SVM[2] از 75% به 78%، دقت کلی شبکه عصبی از 70% به 75% و دقت کلی الگوریتم بیشینه شباهت از 44% به 77% ارتقا داده شد. بنابراین  نتایج این تحقیق نشان می‌دهد که روش پیشنهادی می‌تواند عملکرد طبقه‌بندی را از نظر دقت و سرعت بهبود بخشد.

    واژگان کلیدی: طبقه‌بندی پوشش اراضی شهری، قطعه‌بندی تصویر، ویژگی‌های شی‌گرا، الگوریتم جنگل تصادفی، انتخاب ویژگی، ماشین بردار پشتیبان، شبکه‌ های عصبی، سنجش از دور

     

    فصل اول

    مقدمه

     

    فصل 1                     مقدمه

    1-1   پیشگفتار

    در زندگی امروزی داشتن اطلاعات به‌روز، یک برتری بزرگ به شمار می‌آید که به تصمیم‌گیری درست و زندگی بهتر در جوامع انسانی منجر می‌شود. یکی از مهم‌تر ین اطلاعات، نقشه‌های به‌روز پوشش اراضی است که برای تصمیم‌گیری صحیح و مدیریت و برنامه‌ریزی آگاهانه برای مدیران (شهری) مورد نیاز است.

    سنجش از دور یک منبع غنی برای تولید بسیاری از اطلاعات مکانی و محیطی است  و یکی از بنیادی‌ترین اطلاعاتی که تولید می‌کند نقشه‌های پوشش اراضی است . اطلاعات پوشش اراضی برای تولید نقشه‌های کاربری اراضی، مطالعه تغییرات محیطی و برقراری ارتباط بین عوامل انسانی مختلف و متغیرهای فیزیکی محیط مورد استفاده قرار می‌گیرد. برای تولید نقشه‌های پوشش اراضی ابتدا بایستی این اطلاعات از تصاویر ماهواره‌ای و داده‌های دیگر استخراج شود. تفسیر بصری و الگوریتم‌های یادگیری ماشینی دو روش متداول برای استخراج اطلاعات از تصاویر ماهواره‌های و داده‌های سنجش از دور است، که هر یک دارای مزایا و معایبی می‌باشند. در برخی موارد استخراج اطلاعات از تصاویر ماهواره‌ ای و هوایی توسط عامل انسانی نتایج مطلوب‌تری نسبت به روش‌های خودکار  یا نیمه ‌خودکار  تولید می‌کند. اما در جوامع امروزی تولید اطلاعات توسط عامل انسانی و به روش‌های سنتی دیگر پاسخگوی نیازهای موجود نیست و لازم است روش‌های خودکار  و عاری از دخالت انسان توسعه داده شود. در این راستا پیوسته الگوریتم‌های یادگیری جدیدتری توسعه داده می‌شود تا این نیاز را برطرف سازد. در زمینه استخراج  اطلاعات از تصاویر سنجش از دور به روش سنتی، مسائلی که بایستی مورد توجه واقع شود عبارت‌اند از:  1- حجم زیاد و رشد سریع داده‌ها و تصاویر در سنجش از دور، 2- زمان‌بر بودن استخراج اطلاعات توسط انسان و از طرف دیگر 3- پیچیدگی عوارض برای تفسیر بصری و استخراج به وسیله چشم ممکن است باعث خطا ‌گردد و در برخی موارد نیز استخراج اطلاعات به این روش غیرممکن می‌شود. راه‌حل این مسئله استفاده از الگوریتم‌های یادگیری ماشینی است که هدف نهایی آن‌ها  استخراج اطلاعات بدون دخالت انسان است . مهم‌تر ین کاری که الگوریتم‌های یادگیری ماشینی در سنجش از دور انجام می‌دهند طبقه‌بندی داده‌ها به کلاس‌های اطلاعاتی است. الگوریتم‌های یادگیری ماشینی متداول در سنجش از دور مثل روش‌های طبقه‌بندی بیشینه شباهت (MLC[1])، ماشین بردار پشتیبان (SVM[2]) و شبکه‌های عصبی مصنوعی (ANN[3]) دارای مشکلاتی مثل 1- نیازمندی به داده‌های آموزشی زیاد و بدون خطا، 2- نیازمندی به تعیین بهینه و صحیح پارامترهای آغازکننده، 3- محاسبات زیاد و 4- دقت پایین در استخراج اطلاعات هستند.  جنگل تصادفی (RF[4]) یک الگوریتم یادگیری ماشینی جدید است که با ترکیب طبقه‌بندی‌کننده‌های درختی نتایج رضایت‌بخشی را در طبقه‌بندی تولید می‌کند هم‌چنین استفاده از این روش می‌تواند برخی از مشکلات مطرح در الگوریتم‌های قبلی را رفع کند.

    ارزش اطلاعاتی یک تصویر بیشتر از هزار کلمه است. سنجش از دور تصاویری با اطلاعات گوناگون از محیط را در اختیار ما قرار می‌دهد. همان ‌طور که گفته شد می‌توان با طبقه‌بندی تصاویر به این اطلاعات دست یافت. در بیشتر موارد در طبقه‌بندی تصاویر از روش‌های پیکسل-مبنا استفاده می‌شود. این روش‌ها پیکسل‌های تصویر را بر اساس اطلاعات عددی آن‌ها  طبقه‌بندی می‌کنند. اما معمولاً عوارضی که در اکثر موارد در یک تصویر به دنبال آن هستیم، تک ‌پیکسلی نیستند بلکه به صورت مجموعه‌ای از پیکسل‌ها یا یک شی هستند. لذا در این تحقیق نیز با توجه به این که هدف طبقه‌بندی پوشش اراضی است و عوارض نهایی مورد نظر، تک ‌پیکسلی نیستند، ابتدا یک قطعه‌بندی روی تصویر انجام می‌شود تا اشیا تصویری تولید شوند و سپس این اشیا با توجه به ویژگی‌هایی که دارند طبقه‌بندی می‌شوند تا کلاس‌های اطلاعاتی پوشش اراضی را ارائه دهند.

    در این تحقیق طبقه‌بندی هم به صورت پیکسل-مبنا و هم به صورت شی-مبنا با چند روش‌ انجام می‌شود و نتایج هر یک مورد بحث و بررسی قرار می‌گیرد، تا در نهایت روشی مناسب از میان روش‌های بررسی‌شده برای طبقه‌بندی پوشش اراضی شهری با استفاده از تصاویر ابرطیفی ارائه گردد. از آنجا پوشش اراضی شهری پیچیده‌تر و مهم‌تر  از پوشش اراضی طبیعی است  در این تحقیق یک تصویر از یک صحنه شهری با عوارض مختلف مورد بررسی قرار گرفته است تا بتوانیم ارزیابی صحیح‌تری را به طور عملی از روش‌های طبقه‌بندی مختلف انجام دهیم.

    1-2   ضرورت‌ها، انگیزه‌ها و ویژگی‌های تحقیق

    در تحقیقات صورت گرفته قبلی در زمینه طبقه‌بندی پوشش اراضی از روش‌ها و داده‌های بسیاری استفاده‌شده است (Lu and Weng, 2007). در اغلب این تحقیقات روش‌های پیشرفته و درعین‌حال پیچیده‌ای مثل شبکه‌های عصبی، ماشین‌های بردار پشتیبان، RFM و یا تلفیق این روش‌ها باهم و با فن‌های  بهینه‌سازی و فازی‌سازی استفاده‌شده است. درک عمیق بسیاری از این روش‌ها و رفع مشکلات حاصل از استفاده این روش‌ها و یا تعیین پارامترهای این روش‌ها برای عموم کاربران سنجش از دور نیاز به مطالعه و صرف زمان زیادی دارد. به همین دلیل ممکن است در برخی کاربردهای سنجش از دور به درستی نتوان از این روش‌ها استفاده کرد.

    امروزه با پیشرفت سنجنده‌های سنجش از دور، می‌توان به طور هم‌زمان اطلاعات طیفی و مکانی با قدرت تفکیک بالا را باهم استفاده کرد. علاوه بر این سنجنده‌های لیدار قادرند اطلاعات ارتفاعی دقیقی از محیط را در اختیار ما قرار دهند (Hodgson et al., 2003). تلفیق این دو نوع داده می‌تواند کمک بزرگی به بهبود دقت طبقه‌بندی و تهیه نقشه پوشش اراضی شهری بکند. تحقیقات بسیاری برای طبقه‌بندی و تلفیق این داده‌ها به منظور تولید نقشه‌های پوشش اراضی شده است. اغلب این تحقیقات با تکیه بر روش‌های پیشرفته و پیچیده توانسته‌اند دقت طبقه‌بندی تصاویر ابرطیفی و لیدار را افزایش دهند. اما سؤالی که اینجا مطرح می‌شود این است که آیا همیشه برای افزایش دقت طبقه‌بندی تصاویر ابرطیفی لازم است چنین روش‌های پیچیده (که اغلب دارای محاسبات بالایی نیز هستند) به کار رود، یا این که  می‌توان با روش‌های ساده‌تری نیز به این دقت دست یافت.

    یکی از روش‌های جدید طبقه‌بندی، RF است که با الگوریتم بسیاری ساده‌ای به کمک تلفیق چند طبقه‌بندی‌کننده پایه ساده کار می‌کند و تعیین پارامترهای آن بسیار ساده است  (Joelsson et al., 2010). مطالعات قبلی انجام شده درباره RF قابلیت‌های کاربردی از این روش را معرفی کرده‌اند. مزایای مطرح شده این روش و سادگی آن، انگیزه اصلی استفاده از این روش جهت طبقه‌بندی تصاویر ابرطیفی در این تحقیق است .

     برخی محققین در کارهای قبلی نشان داده‌اند که قطعه‌بندی تصویر و طبقه‌بندی شی-گرا می‌تواند دقت طبقه‌بندی را بالا ببرد 

    (Kettig and Landgrebe, 1976, Geneletti and Gorte, 2003, Benz et al., 2004, Walter, 2004, Blaschke, 2010). در برخی تحقیقات نیز برای طبقه‌بندی تصاویر چند طیفی، طبقه‌بندی شی-گرا پیشنهاد شده است (Kettig and Landgrebe, 1976, Geneletti and Gorte, 2003). در مورد تصاویر ابرطیفی، با توجه به محاسبات بالای قطعه‌بندی و تولید ویژگی‌های شی‌گرا و تعداد بالای باندهای تصاویر ابرطیفی، سؤال دیگری که در اینجا مطرح می‌شود این است که قطعه‌بندی و تولید ویژگی‌های شی‌گرا برای بهبود طبقه‌بندی تصاویر ابرطیفی تا چه حد دقت کار را بالا می‌برد و آیا طبقه‌بندی شیء‌گرای تصاویر ابرطیفی از نظر محاسباتی و زمان طبقه‌بندی به صرفه است. برای پاسخ به این‌چنین سؤالاتی انجام یک تحقیق و مطالعه ضروری است. تحقیق برای پاسخ به مسائل مذکور ارائه می‌شود که مقایسه با تحقیقات قبلی دارای ویژگی‌های جدیدی است . این ویژگی‌ها عبارت‌اند از:

    < >استفاده از طبقه‌بندی RF به منظور طبقه‌بندی تصاویر ابرطیفی با تلفیق داده لیدار،قطعه‌بندی و تولید ویژگی‌های شی‌گرا از تصاویر ابرطیفی و داده لیدار و طبقه‌بندی آن‌ها  با الگوریتم‌های RF، SVM و NN،افزایش نمونه‌های آموزشی با کمک RF به منظور افزایش دقت طبقه‌بندی تصاویر ابرطیفی، وحذف باندهای کم اهمیت تصویر ابرطیفی و طبقه‌بندی با استفاده از باندهای مناسب با کمک RF.1-3   اهداف و سؤالات تحقیق

    هدف اصلی این تحقیق بررسی فن‌های  یادگیری ماشینی برای طبقه‌بندی کاربری اراضی شهری با استفاده از تصاویر ماهواره‌ای و داده کمکی مثل DSM است . اهداف اصلی این تحقیق عبارت‌اند از:

    < >بررسی عملکرد طبقه­بندی­کننده RF در طبقه‌بندی تصاویر ابر طیفی و داده لیدار در یک صحنه شهری،ارزیابی قابلیت RF به عنوان یک ابزار انتخاب ویژگی برای طبقه‌بندی پوشش اراضی شهری،مقایسه نتایج طبقه‌بندی به دست آمده از طبقه­بندی­کننده مبتنی بر RF با نتایج حاصل از طبقه‌بندی‌کننده‌های معروف.با توجه به تحقیقات قبلی و تصویر ابرطیفی به‌کار‌رفته در این تحقیق سؤالات زیر مطرح می‌شود:< >آیا RF می‌تواند در طبقه‌بندی تصاویر ابرطیفی جایگزین روش‌های پیچیده مثل SVM و NN شود؟RF ، در کاهش محاسبات طبقه‌بندی یا انتخاب باندهای مناسب تصاویر ابرطیفی چه نقشی می‌تواند داشته باشد؟چگونه با کمک الگوریتم RF می‌توان صحت طبقه‌بندی را افزایش داد؟ آیا با کمک RF می‌توانیم نمونه‌‌های آموزشی بیشتری تولید کرد و با کمک آن دقت طبقه‌بندی را افزایش داد؟آیا قطعه‌بندی چندمقیاسی و تولید ویژگی‌های جدید و انجام طبقه‌بندی با کمک این ویژگی‌ها می‌تواند دقت طبقه‌بندی تصاویر ابرطیفی را افزایش دهد؟1-4   روش تحقیق

    روش استفاده‌شده در تحقیق حاضر به طور خلاصه شامل مراحل زیر است :

    < >قطعه‌بندی تصویر و تولید اشیا تصویرتولید ویژگی‌های شی-مبناطبقه‌بندی پیکسل-مبنا و شی-مبنامحاسبه احتمال تعلق کلاس‌ها به کمک الگوریتم RF و تولید نمونه‌های آموزشی جدیدتکرار طبقه‌بندی با نمونه‌های آموزشی جدیدارزیابی و مقایسه حالت‌های مختلف طبقه‌بندیدر این تحقیق حالت‌های مختلفی از ویژگی‌های پیکسل-مبنا از تلفیق ویژگی‌های بافت لیدار و باندهای تصویر ابرطیفی، باندهای انتخابی تصویر ابرطیفی، و ویژگی‌های شی-مبنا حاصل از قطعه‌بندی در یک و چند مقیاس به طور جداگانه باهم تلفیق‌شده و طبقه‌بندی شدند و در نهایت، حالت‌های مختلف طبقه‌بندی مورد ارزیابی قرار گرفت. روند کلی مراحل مذکور به طور خلاصه در شکل ‏1‑1 نشان داده شده است و جزئیات آن در فصل چهار تحقیق ارائه شده است.

    Abstract

    Urban land cover classification is an important research subject in remote sensing community because of its ability to connect human elements with physical environments and to achieve better resource management. Requirement of up to date, correct and detailed knowledge of urban land cover information obtained from remote sensing data is felt increasingly among societies. Regarding recent advances in data, technology and remote sensing theories, the importance of this issue is highlighted. New advanced sensors, have a great potential in urban classification. However performance of traditional classification methods because of complex image interpretation is limited; and studying newer methods for solving this issue is necessary. On the other hand, new methods in pattern recognition like Random Forest (RF) as a novel machine learning algorithm has been interesting subject in image classification and pattern recognition field. In this research, a new method based on combination of object based and RF classification is proposed for an urban area. Then the obtained results are compared with conventional methods. Among pixel-based classification algorithms, RF showed the best overall accuracy (OA) about 82%.Among object-based classification methods, SVM and RF showed the best OAs about 79% and 77% respectively. With suggested method for classification of object-based features obtained from one level of multi resolution segmentation, overall accuracy was improved for RF method, from 75% to 76%, for SVM, from 75% to 78%, for Neural Networks, from 70% to 75% and for Maximum Likelihood, from 44% to 77%. This research shows that suggested method can improve the performance of land cover classification using satellite images.

    Keywords: Urban land cover classification, image segmentation, object based features, Random Forest algorithm, feature selection, support vector machines, neural networks, remote sensing

  • فهرست و منابع پایان نامه بررسی روش جنگل تصادفی جهت بهبود طبقه‌ بندی پوشش اراضی شهری با استفاده از تصاویر ماهواره‌ ای

    فهرست:

    فصل 1 مقدمه.. 2

    1-1      پیشگفتار. 2

    1-2      ضرورت‌ها، انگیزه‌ها و ویژگی‌های تحقیق.. 4

    1-3      اهداف و سؤالات تحقیق.. 5

    1-4      روش تحقیق.. 6

    1-5      معرفی اختصاری سایر فصول.. 7

    فصل 2 مروری بر تحقیقات پیشین.. 10

    2-1      مقدمه. 10

    2-2      مروری بر روش‌های طبقه‌بندی پوشش اراضی.. 10

    2-2-1            فن‏های طبقه‏بندی شی‏گرا 11

    2-2-2            فن‏های طبقه‏بندی نظارت‏نشده پیکسل-مبنا 12

    2-2-3            فن‏های طبقه‏بندی نظارت‏شده پیکسل-مبنا 12

    2-3      مروری بر روش‌های طبقه‌بندی جدید در سنجش از دور. 13

    2-3-1            طبقه‌بندی با شبکه‌های عصبی مصنوعی.. 14

    2-3-2            طبقه‌بندی با درختان تصمیم. 15

    2-3-3            طبقه‌بندی با روش‌های مبتنی بر ماشین بردار پشتیبان. 15

    2-3-4            فن‌های  طبقه‌بندی دانش-پایه. 17

    2-3-5            طبقه‌بندی با الگوریتم‌های ترکیبی.. 18

    2-4      روش‌های انتخاب و کاهش فضای ویژگی.. 21

    2-5      خلاصه فصل.. 22

    فصل 3 مفاهیم و روش‌ها. 25

    3-1      مقدمه. 25

    3-2      مفاهیم پایه. 25

    3-3      الگوریتم‌های یادگیری متداول.. 27

    3-3-1            آنالیز جداسازی خطی.. 27

    3-3-2            درخت‌های تصمیم. 28

    3-3-3            شبکه‌های عصبی.. 31

    3-3-4            طبقه‌بندی‌کننده بیز ساده 33

    3-3-5            روش‌های مبتنی بر ماشین‌های بردار پشتیبان و کرنل.. 34

    3-4      روش‌های دسته جمعی.. 39

    3-5      تقویت... 41

    3-6      روش Bagging. 42

    3-6-1            دو الگوی گروهی.. 42

    3-6-2            الگوریتم Bagging. 43

    3-6-3            جنگل تصادفی.. 47

    3-6-4            انتخاب ویژگی با کمک شاخص تعیین اهمیت ویژگی RF. 51

    3-7      قطعه‌بندی تصویر. 53

    3-7-1            قطعه‌بندی به روش چند رزولوشنه. 54

    3-7-2            روش برآورد مقیاس مناسب برای قطعه‌بندی تصویر. 58

    3-8      برآورد دقت طبقه‌بندی.. 59

    3-8-1            ماتریس ابهام. 60

    3-9      خلاصه. 62

    فصل 4 روش تحقیق و نتایج.. 64

    4-1      مقدمه. 64

    4-2      داده‌ها و منطقه مورد مطالعه. 64

    4-3      روش پیشنهادی تحقیق.. 66

    4-3-1            انتخاب باند با کمک شاخص اهمیت ویژگی RF. 69

    4-3-2            قطعه‌بندی تصویر ابرطیفی.. 70

    4-3-3            گروه‌های ویژگی.. 71

    4-3-4            طبقه‌بندی.. 72

    4-4      ارزیابی.. 74

    4-4-1            نتایج ارزیابی دقت کلی و ضریب کاپا 74

    4-4-2            ارزیابی زمانی روش‌های طبقه‌بندی.. 79

    4-4-3            نتایج طبقه‌بندی به تفکیک کلاس‌ها 80

    4-4-4            ارزیابی بصری.. 84

    4-5      جمع‌بندی مطالب فصل.. 88

    فصل 5 نتیجه‌گیری و پیشنهادها. 91

    5-1      مقدمه. 91

    5-2      خلاصه تحقیق.. 91

    5-3      دستاوردهای تحقیق.. 92

    5-4      پیشنهادها 95

    منابع      97

     

    منبع:

     

    Alexander C, Tansey K, Kaduk J, Holland D, and Tate NJ (2011) An approach to classification of airborne laser scanning point cloud data in an urban environment. International Journal of Remote Sensing 32, 9151-69.

    Baatz M and Schäpe A (2000) Multiresolution segmentation: an optimization approach for high quality multi-scale image segmentation. Angewandte geographische informationsverarbeitung 12, 12-23.

    Ball GH and Hall DJ (1965) ISODATA, a novel method of data analysis and pattern classification. In  (ed.), Vol. pp. DTIC Document,

    Bartels M and Wei H (2006) Maximum Likelihood Classification of LIDAR Data incorporating multiple co-registered Bands. In Proceedings of 4th International Workshop on Pattern Recognition in Remote Sensing/18th International Conference on Pattern Recognition.  (ed.), Vol. 20, pp. 17-20, Citeseer,

    Bekkari A, Idbraim S, Elhassouny A, Danielle Ducrot DM, Yassa ME, and Ducrot D (2012) Spectral and Spatial Classification of High Resolution Urban Satellites Images using Haralick features and SVM with SAM and EMD distance Metrics. International Journal of Computer Applications 46,

    Benz UC, Hofmann P, Willhauck G, Lingenfelder I, and Heynen M (2004) Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of Photogrammetry and Remote Sensing 58, 239-58.

    Bilgin G, Erturk S, and Yildirim T (2011) Segmentation of hyperspectral images via subtractive clustering and cluster validation using one-class support vector machines. Geoscience and Remote Sensing, IEEE Transactions on 49, 2936-44.

    Blaschke T (2010) Object based image analysis for remote sensing. ISPRS journal of photogrammetry and remote sensing 65, 2-16.

    Bonissone P, Cadenas J, Garrido M, and Dıaz-Valladares R (2008a) A fuzzy random forest: Fundamental for design and construction. In Proceedings of the 12th International Conference on Information Processing and Management of Uncertainty in Knowledge-Based Systems (IPMU’08).  (ed.), Vol. pp. 1231-8,

    Bonissone PP, Cadenas JM, Garrido M, and Diaz-Valladares RA (2008b) Combination methods in a fuzzy random forest. In Systems, Man and Cybernetics, 2008. SMC 2008. IEEE International Conference on.  (ed.), Vol. pp. 1794-9, IEEE,

    Bosch A, Zisserman A, and Muoz X (2007) Image classification using random forests and ferns. In Computer Vision, 2007. ICCV 2007. IEEE 11th International Conference on.  (ed.), Vol. pp. 1-8, IEEE,

    Boulesteix AL, Janitza S, Kruppa J, and König IR (2012) Overview of random forest methodology and practical guidance with emphasis on computational biology and bioinformatics. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery 2, 493-507.

    Breiman L (1996) Bagging predictors. Machine learning 24, 123-40.

    Breiman L (2003) Manual for Setting Up, Using, and Understanding Random Forest V4.0. In  (ed.), Vol. pp.

    Breiman L (2001) Random forests. Machine learning 45, 5-32.

    Bruzzone L, Marconcini M, Wegmuller U, and Wiesmann A (2004) An advanced system for the automatic classification of multitemporal SAR images. Geoscience and Remote Sensing, IEEE Transactions on 42, 1321-34.

    Burges CJ (1998) A tutorial on support vector machines for pattern recognition. Data mining and knowledge discovery 2, 121-67.

    Camps-Valls G and Bruzzone L (2005) Kernel-based methods for hyperspectral image classification. Geoscience and Remote Sensing, IEEE Transactions on 43, 1351-62.

    Chan JC-W and Canters F (2007) Ensemble classifiers for hyperspectral classification. In Proceedings 5th EARSeL Workshop on Imaging Spectroscopy. Bruges.  (ed.), Vol. 1, pp.

    Chapelle O and Keerthi SS (2008) Multi-class feature selection with support vector machines. In Proceedings of the American statistical association.  (ed.), Vol. pp.

    Chehata N, Guo L, and Mallet C (2009) Airborne lidar feature selection for urban classification using random forests. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences 39, 207-12.

    Chen Y-W and Lin C-J (2006) Combining SVMs with various feature selection strategies. In Feature Extraction.  Vol.  pp. 315-24.  Springer, 

    Cohen J (1960) A coefficient of agreement for nominal scales. Educational and psychological measurement 20, 37-46.

    Cortes C and Vapnik V (1995) Support-vector networks. Machine learning 20, 273-97.

    Crawford MM, Ham J, Chen Y, and Ghosh J (2004) Random forests of binary hierarchical classifiers for analysis of hyperspectral data. In Advances in Techniques for Analysis of Remotely Sensed Data, 2003 IEEE Workshop on.  (ed.), Vol. pp. 337-45, IEEE,

    Criminisi A, Shotton J, and Konukoglu E (2011) Decision forests for classification, regression, density estimation, manifold learning and semi-supervised learning. Foundations and Trends in Computer Graphics and Vision 7,

    Cristianini N and Shawe-Taylor J (2000) In An introduction to support vector machines and other kernel-based learning methods. Vol. pp. Cambridge university press,

    Definiens A (2007) Definiens developer 7 reference book. Definiens AG, München  21-4.

    DeFries R and Chan JC-W (2000) Multiple criteria for evaluating machine learning algorithms for land cover classification from satellite data. Remote Sensing of Environment 74, 503-15.

    Del Frate F, Pacifici F, Schiavon G, and Solimini C (2007) Use of neural networks for automatic classification from high-resolution images. Geoscience and Remote Sensing, IEEE Transactions on 45, 800-9.

    Dixon B and Candade N (2008) Multispectral landuse classification using neural networks and support vector machines: one or the other, or both? International Journal of Remote Sensing 29, 1185-206.

    Drǎguţ L, Tiede D, and Levick SR (2010) ESP: a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data. International Journal of Geographical Information Science 24, 859-71.

    Du P, Xia J, Chanussot J, and He X (2012) Hyperspectral remote sensing image classification based on the integration of support vector machine and random forest. In Geoscience and Remote Sensing Symposium (IGARSS), 2012 IEEE International.  (ed.), Vol. pp. 174-7, IEEE,

    Duda RO, Hart PE, and Stork DG (2001) Pattern classification. 2nd. Edition. New York 

    Efron B and Tibshirani R (1993) In An introduction to the bootstrap. Vol. 57, pp. CRC press,

    Estep L, Terrie G, and Davis B (2004) Technical Note: Crop stress detection using AVIRIS hyperspectral imagery and artificial neural networks.  

    Filippi AM and Jensen JR (2006) Fuzzy learning vector quantization for hyperspectral coastal vegetation classification. Remote Sensing of Environment 100, 512-30.

    Fletcher T (2009) Support vector machines explained. Tutorial paper., Mar 

    Foody GM and Mathur A (2004) A relative evaluation of multiclass image classification by support vector machines. Geoscience and Remote Sensing, IEEE Transactions on 42, 1335-43.

    Freund Y and Schapire RE (1996) Experiments with a new boosting algorithm. In  (ed.), Vol. pp. 148-56, MORGAN KAUFMANN PUBLISHERS, INC.,

    Freund Y and Schapire RE (1999) A short introduction to boosting. Journal of Japanese Society for Artificial Intelligence  771–80.

    Friedl MA and Brodley CE (1997) Decision tree classification of land cover from remotely sensed data. Remote sensing of environment 61, 399-409.

    Fuller D (2005) Remote detection of invasive Melaleuca trees (Melaleuca quinquenervia) in South Florida with multispectral IKONOS imagery. International Journal of Remote Sensing 26, 1057-63.

    Garcia-Gutierrez J, Gonçalves-Seco L, and Riquelme-Santos JC (2011) Automatic environmental quality assessment for mixed-land zones using lidar and intelligent techniques. Expert Systems with Applications 38, 6805-13.

    Geneletti D and Gorte B (2003) A method for object-oriented land cover classification combining Landsat TM data and aerial photographs. International Journal of Remote Sensing 24, 1273-86.

    Genuer R, Poggi JM, and Tuleau-Malot C (2010) Variable selection using random forests. Pattern Recognition Letters 31, 2225-36.

    Ghimire B, Rogan J, and Miller J (2010) Contextual land-cover classification: incorporating spatial dependence in land-cover classification models using random forests and the Getis statistic. Remote Sensing Letters 1, 45-54.

    Gislason PO, Benediktsson JA, and Sveinsson JR (2004) Random forest classification of multisource remote sensing and geographic data. In Geoscience and Remote Sensing Symposium, 2004. IGARSS'04. Proceedings. 2004 IEEE International.  (ed.), Vol. 2, pp. 1049-52, IEEE,

    Gislason PO, Benediktsson JA, and Sveinsson JR (2006) Random forests for land cover classification. Pattern Recognition Letters 27, 294-300.

    Gitas IZ, Mitri GH, and Ventura G (2004) Object-based image classification for burned area mapping of Creus Cape, Spain, using NOAA-AVHRR imagery. Remote Sensing of Environment 92, 409-13.

    Gómez-Chova L, Muñoz-Marí J, Laparra V, Malo-López J, and Camps-Valls G (2011) A review of kernel methods in remote sensing data analysis. In Optical Remote Sensing.  Vol.  pp. 171-206.  Springer, 

    Guo L, Chehata N, Mallet C, and Boukir S (2011) Relevance of airborne lidar and multispectral image data for urban scene classification using Random Forests. ISPRS Journal of Photogrammetry and Remote Sensing 66, 56-66.

    Guyon I, Gunn S, Nikravesh M, and Zadeh L (2006) Feature Extraction: Foundations and Applications. In  (ed.), Vol. pp. Springer,

    Ham J, Chen Y, Crawford MM, and Ghosh J (2005) Investigation of the random forest framework for classification of hyperspectral data. Geoscience and Remote Sensing, IEEE Transactions on 43, 492-501.

    Han J, Kamber M, and Pei J (2006) In Data mining: concepts and techniques. Vol. pp. Morgan kaufmann,

    Hansen LK and Salamon P (1990) Neural network ensembles. Pattern Analysis and Machine Intelligence, IEEE Transactions on 12, 993-1001.

    Hao Z, Yongsheng Z, Jun L, and Song J (2009) Automatic building detection using airborne LIDAR data. In Information Technology and Applications, 2009. IFITA'09. International Forum on.  (ed.), Vol. 3, pp. 668-71, IEEE,

    Haralick RM, Shanmugam K, and Dinstein IH (1973) Textural features for image classification. Systems, Man and Cybernetics, IEEE Transactions on  610-21.

    Haykin S (1999) Neural Networks: A Comprehensive Foundation. Printice-Hall. Inc., New Jersey 

    Hodgson ME, Jensen JR, Tullis JA, Riordan KD, and Archer CM (2003) Synergistic use of lidar and color aerial photography for mapping urban parcel imperviousness. Photogrammetric Engineering and Remote Sensing 69, 973-80.

    Hsu C-W, Chang C-C, and Lin C-J (2010) A practical guide to support vector classification. In  (ed.), Vol. pp.

    Huang C-L and Wang C-J (2006) A GA-based feature selection and parameters optimizationfor support vector machines. Expert Systems with applications 31, 231-40.

    Huang C, Davis L, and Townshend J (2002) An assessment of support vector machines for land cover classification. International Journal of Remote Sensing 23, 725-49.

    Huang M, Shyue S, Lee L, and Kao C (2008) A knowledge-based approach to urban feature classification using aerial imagery with lidar data. Photogrammetric Engineering & Remote Sensing 74, 1473-85.

    Hughes G (1968) On the mean accuracy of statistical pattern recognizers. Information Theory, IEEE Transactions on 14, 55-63.

    Hung M and Ridd MK (2002) A subpixel classifier for urban land-cover mapping based on a maximum-likelihood approach and expert system rules. Photogrammetric Engineering and Remote Sensing 68, 1173-80.

    Hussain E, Ural S, Kim K, Fu C-S, and Shan J (2011) Building extraction and rubble mapping for City Port-au-Prince Post-2010 earthquake with GeoEye-1 imagery and Lidar data. Photogrammetric Engineering and Remote Sensing 77, 1011-23.

    Ismail R (2008) Remote sensing of forest health: the detection and mapping of Pinus patula trees infested by Sirex noctilio[Thesis]. Type, University of KwaZulu-Natal, Pietermaritzburg,

    Jackson Q and Landgrebe D (2001) An adaptive classifier design for high dimensional data analysis with a limited training data set. IEEE Transactions on Geoscience and Remote Sensing  2664–79.

    Jain AK, Duin RPW, and Mao J (2000) Statistical pattern recognition: A review. Pattern Analysis and Machine Intelligence, IEEE Transactions on 22, 4-37.

    Jakimow B, Oldenburg C, Rabe A, Waske B, van der Linden S, and Hostert P (2012) Manual for Application: imageRF (1.1).  

    Jiang H, Strittholt JR, Frost PA, and Slosser NC (2004) The classification of late seral forests in the Pacific Northwest, USA using Landsat ETM+ imagery. Remote sensing of environment 91, 320-31.

    Jin J (2012) A Random Forest Based Method for Urban Land Cover Classification using LiDAR Data and Aerial Imagery.  

    Joelsson SR, Benediktsson JA, and Sveinsson JR (2010) Random forest classification of remote sensing data. Signal and Image Processing for Remote Sensing 978, 327-38.

    Kearns M and Valiant L (1994) Cryptographic limitations on learning Boolean formulae and finite automata. Journal of the ACM (JACM) 41, 67-95.

    Keerthi SS and Lin C-J (2003) Asymptotic behaviors of support vector machines with Gaussian kernel. Neural computation 15, 1667-89.

    Kettig RL and Landgrebe D (1976) Classification of multispectral image data by extraction and classification of homogeneous objects. Geoscience Electronics, IEEE Transactions on 14, 19-26.

    Ko B, Gim J, and Nam J (2011) Cell image classification based on ensemble features and random forest. Electronics Letters 47, 638-9.

    Koetz B, Morsdorf F, Van der Linden S, Curt T, and Allgöwer B (2008) Multi-source land cover classification for forest fire management based on imaging spectrometry and LiDAR data. Forest Ecology and Management 256, 263-71.

    Koltunov A and Ben‐Dor E (2001) A new approach for spectral feature extraction and for unsupervised classification of hyperspectral data based on the Gaussian mixture model. Remote Sensing Reviews 20, 123-67.

    Li C-H, Kuo B-C, Lin C-T, and Huang C-S (2012) A spatial–contextual support vector machine for remotely sensed image classification. Geoscience and Remote Sensing, IEEE Transactions on 50, 784-99.

    Li H, Wang Y, Li Y, and Wang X (2011) Pixel-unmixing moderate-resolution remote sensing imagery using pairwise coupling support vector machines: A case study. Geoscience and Remote Sensing, IEEE Transactions on 49, 4298-307.

    Liaw A and Wiener M (2002) Classification and Regression by randomForest. R news 2, 18-22.

    Lin H-T and Lin C-J (2003) A study on sigmoid kernels for SVM and the training of non-PSD kernels by SMO-type methods. submitted to Neural Computation  1-32.

    Liu H and Motoda H (2008) In Computational methods of feature selection. Vol. pp. Chapman and Hall/CRC,

    Liu H and Yu L (2005) Toward integrating feature selection algorithms for classification and clustering. Knowledge and Data Engineering, IEEE Transactions on 17, 491-502.

    Liu W, Gopal S, and Woodcock CE (2004) Uncertainty and confidence in land cover classification using a hybrid classifier approach. Photogrammetric Engineering and Remote Sensing 70, 963-72.

    Lodha SK, Kreps EJ, Helmbold DP, and Fitzpatrick DN (2006) Aerial LiDAR Data Classification Using Support Vector Machines (SVM). In 3DPVT.  (ed.), Vol. pp. 567-74,

    Longépé N, Rakwatin P, Isoguchi O, Shimada M, Uryu Y, and Yulianto K (2011) Assessment of ALOS PALSAR 50 m orthorectified FBD data for regional land cover classification by support vector machines. Geoscience and Remote Sensing, IEEE Transactions on 49, 2135-50.

    Loosvelt L, Peters J, Skriver H, De Baets B, and Verhoest NE (2012) Impact of reducing Polarimetric SAR input on the uncertainty of crop classifications based on the random forests algorithm.  

    Lu D and Weng Q (2007) A survey of image classification methods and techniques for improving classification performance. International journal of Remote sensing 28, 823-70.

    Lu S, Oki K, Shimizu Y, and Omasa K (2007) Comparison between several feature extraction/classification methods for mapping complicated agricultural land use patches using airborne hyperspectral data. International Journal of Remote Sensing 28, 963-84.

    MacQueen J (1967) Some methods for classification and analysis of multivariate observations. In Proceedings of the fifth Berkeley symposium on mathematical statistics and probability.  (ed.), Vol. 1, pp. 14, California, USA,

    Martinuzzi S, Vierling LA, Gould WA, Falkowski MJ, Evans JS, Hudak AT et al. (2009) Mapping snags and understory shrubs for a LiDAR-based assessment of wildlife habitat suitability. Remote Sensing of Environment 113, 2533-46.

    Mas J and Flores J (2008) The application of artificial neural networks to the analysis of remotely sensed data. International Journal of Remote Sensing 29, 617-63.

    Mather P and Tso B (2009) In Classification methods for remotely sensed data. Vol. pp. CRC press,

    Melgani F and Bruzzone L (2004) Classification of hyperspectral remote sensing images with support vector machines. Geoscience and Remote Sensing, IEEE Transactions on 42, 1778-90.

    Meng X, Currit N, LE W, and Yang X (2012) Detect residential buildings from lidar and aerial photographs through object-oriented land-use classification. Photogrammetric engineering and remote sensing 78, 35-44.

    Mercer J (1909) Functions of positive and negative type, and their connection with the theory of integral equations. Philosophical transactions of the royal society of London. Series A, containing papers of a mathematical or physical character 209, 415-46.

    Mitchell TM (1997) Machine learning. 1997. Burr Ridge, IL: McGraw Hill 45,

    Mitra P, Murthy C, and Pal SK (2002) Unsupervised feature selection using feature similarity. IEEE transactions on pattern analysis and machine intelligence 24, 301-12.

    Mountrakis G, Im J, and Ogole C (2011) Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing 66, 247-59.

    Moustakidis S, Mallinis G, Koutsias N, Theocharis JB, and Petridis V (2012) SVM-based fuzzy decision trees for classification of high spatial resolution remote sensing images. Geoscience and Remote Sensing, IEEE Transactions on 50, 149-69.

    Muchoney D and Strahler A (2002) Regional vegetation mapping and direct land surface parameterization from remotely sensed and site data. International Journal of Remote Sensing 23, 1125-42.

    Murthy C, Raju P, and Badrinath K (2003) Classification of wheat crop with multi-temporal images: performance of maximum likelihood and artificial neural networks. International Journal of Remote Sensing 24, 4871-90.

    Nadir Kurnaz M, Dokur Z, and Ölmez T (2005) Segmentation of remote-sensing images by incremental neural network. Pattern Recognition Letters 26, 1096-104.

    Naidoo L, Cho M, Mathieu R, and Asner G (2012) Classification of savanna tree species, in the Greater Kruger National Park region, by integrating hyperspectral and LiDAR data in a Random Forest data mining environment. ISPRS Journal of Photogrammetry and Remote Sensing 69, 167-79.

    Nikfar M, Zoej MJV, Mohammadzadeh A, Mokhtarzade M, and Navabi A (2012) Optimization of multiresolution segmentation by using a genetic algorithm. Journal of Applied Remote Sensing 6, 063592-.

    Nitze I, Schulthess U, and Asche H (2012) Comparison of machine learning algorithms Random Foresr, Artificial Neural Network and Support Vector Machine to Maximum Likelihood for supervised crop type classification. In Proceedings of the 4th GEOBIA.  (ed.), Vol. pp. 35-40, Rio de Janeiro - Brazil.

    Pal M (2005) Random forest classifier for remote sensing classification. International Journal of Remote Sensing 26, 217-22.

    Pal M and Mather P (2006) Some issues in the classification of DAIS hyperspectral data. International Journal of Remote Sensing 27, 2895-916.

    Pal M and Mather PM (2003) An assessment of the effectiveness of decision tree methods for land cover classification. Remote sensing of environment 86, 554-65.

    Pedergnana M, Marpu PR, Dalla Mura M, Benediktsson JA, and Bruzzone L (2013) A Novel Technique for Optimal Feature Selection in Attribute Profiles Based on Genetic Algorithms.  

    Pedergnana M, Marpu PR, Mura MD, Benediktsson JA, and Bruzzone L (2012) A novel supervised feature selection technique based on genetic algorithms. In Geoscience and Remote Sensing Symposium (IGARSS), 2012 IEEE International.  (ed.), Vol. pp. 60-3, IEEE,

    Petropoulos GP, Vadrevu KP, Xanthopoulos G, Karantounias G, and Scholze M (2010) A comparison of spectral angle mapper and artificial neural network classifiers combined with Landsat TM imagery analysis for obtaining burnt area mapping. Sensors 10, 1967-85.

    Quinlan JR (1993) In C4.5: Algorithm for machine learning. Vol. pp. Morgan Kaufmann, San Mateo.

    Rabe A, van der Linden S, and Hostert P (2010) Simplifying support vector machines for classification of hyperspectral imagery and selection of relevant features. In Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 2010 2nd Workshop on.  (ed.), Vol. pp. 1-4, IEEE,

    Ran Y, Li X, Lu L, and Li Z (2012) Large-scale land cover mapping with the integration of multi-source information based on the Dempster–Shafer theory. International Journal of Geographical Information Science 26, 169-91.

    Ratle F, Camps-Valls G, and Weston J (2010) Semisupervised neural networks for efficient hyperspectral image classification. Geoscience and Remote Sensing, IEEE Transactions on 48, 2271-82.

    Rodriguez-Galiano VF, Ghimire B, Rogan J, Chica-Olmo M, and Rigol-Sanchez JP (2012) An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing 67, 93-104.

    Rottensteiner F (2010) Automation of object extraction from LiDAR in urban areas. In Geoscience and Remote Sensing Symposium (IGARSS), 2010 IEEE International.  (ed.), Vol. pp. 1343-6, IEEE,

    Saffari A, Leistner C, Santner J, Godec M, and Bischof H (2009) On-line random forests. In Computer Vision Workshops (ICCV Workshops), 2009 IEEE 12th International Conference on.  (ed.), Vol. pp. 1393-400, IEEE,

    Samadzadegan F, Bigdeli B, and Ramzi P (2010a) Classification of LiDAR data based on multi-class SVM. In ISPRS Archives of The 2010 Canadian Geomatics Conference and Symposium of Commission I.  (ed.), Vol. pp. 1-6,

    Samadzadegan F, Bigdeli B, and Ramzi P (2010b) A multiple classifier system for classification of LIDAR remote sensing data using multi-class SVM. In Multiple Classifier Systems.  Vol.  pp. 254-63.  Springer, 

    Sarma V (2009) URBAN SURFACE CHARACTERIZATION USING LiDAR AND AERIAL IMAGERY[Thesis]. Type, UNIVERSITY OF NORTH TEXAS,

    Schapire RE (1990) The strength of weak learnability. Machine learning 5, 197-227.

    Schmidt K, Skidmore A, Kloosterman E, Van Oosten H, Kumar L, and Janssen J (2004) Mapping coastal vegetation using an expert system and hyperspectral imagery. Photogrammetric Engineering and Remote Sensing 70, 703-16.

    Secord J and Zakhor A (2007) Tree detection in urban regions using aerial lidar and image data. Geoscience and Remote Sensing Letters, IEEE 4, 196-200.

    Shah CA, Arora MK, and Varshney PK (2004) Unsupervised classification of hyperspectral data: an ICA mixture model based approach. International Journal of Remote Sensing 25, 481-7.

    Smith A (2010) Image segmentation scale parameter optimization and land cover classification using the Random Forest algorithm. Journal of Spatial Science 55, 69-79.

    Stathakis D (2009) How many hidden layers and nodes? International Journal of Remote Sensing 30, 2133-47.

    Stavrakoudis DG, Galidaki GN, Gitas IZ, and Theocharis JB (2012) A genetic fuzzy-rule-based classifier for land cover classification from hyperspectral imagery. Geoscience and Remote Sensing, IEEE Transactions on 50, 130-48.

    Stumpf A and Kerle N (2011) Object-oriented mapping of landslides using Random Forests. Remote sensing of environment 115, 2564-77.

    Thomas N, Hendrix C, and Congalton RG (2003) A comparison of urban mapping methods using high-resolution digital imagery. Photogrammetric engineering and remote sensing 69, 963-72.

    Tian J and Chen DM (2007) Optimization in multi‐scale segmentation of high‐resolution satellite images for artificial feature recognition. International Journal of Remote Sensing 28, 4625-44.

    Vatsavai RR, Bright E, Varun C, Budhendra B, Cheriyadat A, and Grasser J (2011) Machine learning approaches for high-resolution urban land cover classification: a comparative study. In Proceedings of the 2nd International Conference on Computing for Geospatial Research & Applications.  (ed.), Vol. pp. 11, ACM,

    Verbeke L, Vancoillie F, and De Wulf R (2004) Reusing back-propagation artificial neural networks for land cover classification in tropical savannahs. International Journal of Remote Sensing 25, 2747-71.

    Walter V (2004) Object-based classification of remote sensing data for change detection. ISPRS Journal of Photogrammetry and Remote Sensing 58, 225-38.

    Wang L, Sousa W, and Gong P (2004) Integration of object-based and pixel-based classification for mapping mangroves with IKONOS imagery. International Journal of Remote Sensing 25, 5655-68.

    Wang X-L, Waske B, and Benediktsson JA (2009) Ensemble methods for spectral-spatial classification of urban hyperspectral data. In Geoscience and Remote Sensing Symposium, 2009 IEEE International, IGARSS 2009.  (ed.), Vol. 4, pp. IV-944-IV-7, IEEE,

    Wang Y and Li J (2008) Feature‐selection ability of the decision‐tree algorithm and the impact of feature‐selection/extraction on decision‐tree results based on hyperspectral data. International Journal of Remote Sensing 29, 2993-3010.

    Waske B and Benediktsson JA (2007) Fusion of support vector machines for classification of multisensor data. Geoscience and Remote Sensing, IEEE Transactions on 45, 3858-66.

    Waske B, Benediktsson JA, Árnason K, and Sveinsson JR (2009) Mapping of hyperspectral AVIRIS data using machine-learning algorithms. Canadian Journal of Remote Sensing 35, S106-S16.

    Waske B and van der Linden S (2008) Classifying multilevel imagery from SAR and optical sensors by decision fusion. Geoscience and Remote Sensing, IEEE Transactions on 46, 1457-66.

    Waske B, van der Linden S, Oldenburg C, Jakimow B, Rabe A, and Hostert P (2012) imageRF –A user-oriented implementation for remote sensing image analysis with Random Forests. Environmental Modelling & Software 

    Wentz EA, Nelson D, Rahman A, Stefanov WL, and Roy SS (2008) Expert system classification of urban land use/cover for Delhi, India. International Journal of Remote Sensing 29, 4405-27.

    Weston J and Watkins C (1999) Support vector machines for multi-class pattern recognition. In ESANN.  (ed.), Vol. 99, pp. 61-72,

    Wu S-S, Qiu X, Usery EL, and Wang L (2009) Using geometrical, textural, and contextual information of land parcels for classification of detailed urban land use. Annals of the Association of American Geographers 99, 76-98.

    Xu B, Ye Y, and Nie L (2012) An improved random forest classifier for image classification. In Information and Automation (ICIA), 2012 International Conference on.  (ed.), Vol. pp. 795-800, IEEE,

    Yang H, Du Q, and Chen G (2012) Particle swarm optimization-based hyperspectral dimensionality reduction for urban land cover classification. Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal of 5, 544-54.

    Yu X, Hyyppä J, Vastaranta M, Holopainen M, and Viitala R (2011) Predicting individual tree attributes from airborne laser point clouds based on the random forests technique. ISPRS Journal of Photogrammetry and remote sensing 66, 28-37.

    Zhang H, Zhang Y, and Lin H (2012a) Urban land cover mapping using random forest combined with optical and SAR data. In Geoscience and Remote Sensing Symposium (IGARSS), 2012 IEEE International.  (ed.), Vol. pp. 6809-12, IEEE,

    Zhang L, Zhang L, Tao D, and Huang X (2012b) On combining multiple features for hyperspectral remote sensing image classification. Geoscience and Remote Sensing, IEEE Transactions on 50, 879-93.

    Zhou W and Troy A (2008) An object‐oriented approach for analysing and characterizing urban landscape at the parcel level. International Journal of Remote Sensing 29, 3119-35.

    Zhou Z-H (2012) In Ensemble methods: foundations and algorithms. Vol. pp. CRC Press, 



تحقیق در مورد پایان نامه بررسی روش جنگل تصادفی جهت بهبود طبقه‌ بندی پوشش اراضی شهری با استفاده از تصاویر ماهواره‌ ای, مقاله در مورد پایان نامه بررسی روش جنگل تصادفی جهت بهبود طبقه‌ بندی پوشش اراضی شهری با استفاده از تصاویر ماهواره‌ ای, پروژه دانشجویی در مورد پایان نامه بررسی روش جنگل تصادفی جهت بهبود طبقه‌ بندی پوشش اراضی شهری با استفاده از تصاویر ماهواره‌ ای, پروپوزال در مورد پایان نامه بررسی روش جنگل تصادفی جهت بهبود طبقه‌ بندی پوشش اراضی شهری با استفاده از تصاویر ماهواره‌ ای, تز دکترا در مورد پایان نامه بررسی روش جنگل تصادفی جهت بهبود طبقه‌ بندی پوشش اراضی شهری با استفاده از تصاویر ماهواره‌ ای, تحقیقات دانشجویی درباره پایان نامه بررسی روش جنگل تصادفی جهت بهبود طبقه‌ بندی پوشش اراضی شهری با استفاده از تصاویر ماهواره‌ ای, مقالات دانشجویی درباره پایان نامه بررسی روش جنگل تصادفی جهت بهبود طبقه‌ بندی پوشش اراضی شهری با استفاده از تصاویر ماهواره‌ ای, پروژه درباره پایان نامه بررسی روش جنگل تصادفی جهت بهبود طبقه‌ بندی پوشش اراضی شهری با استفاده از تصاویر ماهواره‌ ای, گزارش سمینار در مورد پایان نامه بررسی روش جنگل تصادفی جهت بهبود طبقه‌ بندی پوشش اراضی شهری با استفاده از تصاویر ماهواره‌ ای, پروژه دانشجویی در مورد پایان نامه بررسی روش جنگل تصادفی جهت بهبود طبقه‌ بندی پوشش اراضی شهری با استفاده از تصاویر ماهواره‌ ای, تحقیق دانش آموزی در مورد پایان نامه بررسی روش جنگل تصادفی جهت بهبود طبقه‌ بندی پوشش اراضی شهری با استفاده از تصاویر ماهواره‌ ای, مقاله دانش آموزی در مورد پایان نامه بررسی روش جنگل تصادفی جهت بهبود طبقه‌ بندی پوشش اراضی شهری با استفاده از تصاویر ماهواره‌ ای, رساله دکترا در مورد پایان نامه بررسی روش جنگل تصادفی جهت بهبود طبقه‌ بندی پوشش اراضی شهری با استفاده از تصاویر ماهواره‌ ای

ثبت سفارش
تعداد
عنوان محصول
بانک دانلود پایان نامه رسا تسیس