Optimal HySpex band selection for roof classification determined from supervised classifier efficiency

Ekosystem miasta charakteryzuje się dużą różnorodnością struktur oraz materiałów budulcowych, które mają realny wpływ na funkcjonowanie nie tylko samego miasta, ale też i otoczenia. Oznacza to konieczność opracowania szczegółowych metod kartowania i monitoringu. Jedne z najlepszych narzędzi oferuje teledetekcja hiperspektralna, gdyż bazując na bardzo dużej rozdzielczości spektralnej, radiometrycznej oraz przestrzennej, umożliwia dokładne kartowanie oraz ilościową analizę zachodzących zmian. Jednakże dane hiperspektralne ze względu na rozmiary wymagają dużych zasobów komputerowych do przetwarzania obrazów. W związku z tym niniejsza rozprawa miała na celu opracowanie metody selekcji najbardziej informacyjnych kanałów prezentujących cechy spektralne powierzchni występujących miastach (na przykładzie Białegostoku). Optymalizację doboru kanałów przeprowadzono stosując metody redukcji danych i oceniając dokładność klasyfikacji poszczególnych zestawów danych. Algorytm był testowany przy użyciu dwóch eksperymentalnych metod identyfikujących a) pokrycia dachowe oraz b) pokrycie terenu. Badania bazowały na lotniczych danych LiDAR oraz hiperspektralnych HySpex. Pierwszym krokiem schematu badawczego były korekcje danych (atmosferyczna, geometryczna), następnie zastosowano metodę wyboru kanałów PCA-BS (Principal Component Analysis-Band Selection) oraz porównawczą metodą PCA i Minimum Noise Fraction (MNF). W kolejnym kroku zastosowano kilka klasyfikatorów oceniających dokładność klasyfikacji wybranych kanałów. Wybrane algorytmy klasyfikujące to: sztuczne sieci neuronowe (ANN), Support Vector Machine (SVM), Spectral Angle Mapper (SAM) and Spectral Information Divergence (SID). Wyniki obu eksperymentów potwierdziły, że najlepsze wyniki selekcji danych oferuje metoda PCA-BS, w następnej kolejności PCA-BS, MNF i PCA. Zestaw zawierający 30 kanałów pochodzących z metody PCA-BS zapewniła najwyższe dokładności - dokładność całkowita równa 94,34% dla klasyfikatora ANN oraz 88,72% w przypadku SVM. Dokładność całkowita klasyfikacji dachów metodą ANN wyniosła 90,85%, a współczynnik kappa 0,9. Spośród klasyfikatorów najlepsze wyniki uzyskano z ANN i SVM. Gorsze wyniki uzyskano z SAM i SID. Reasumując, metoda PCA-BS pozwoliła na wybór 10 optymalnych kanałów, które pozwalają uzyskać dokładności rzędu 83,2% i 86,63% przy użyciu klasyfikatorów SVM i ANN. Dodanie danych LiDAR do zestawu HySpex poprawiło wyniki (dokładność całkowitą) o 6%.

The urban ecosystem is characterized by complex structures and vast heterogeneity in the surface materials. Urban surfaces have an impact on their surrounding environment which necessitates urban mapping. The urban area is complex that seeks a robust supervised classification method. Hyperspectral remote sensing has emerged with potential for the quantification of urban surfaces to deliver an accurate and up-to-date inventory. However, hyperspectral imaging (HSI) suffers for dimensionality, which requires larger storage, data noise, redundancy and higher computing instruments. Therefore, this study aimed to derive optimal bands for the characterization of urban surfaces in the city of Białystok. The band optimization was done using data reduction methods and classifiers efficiency. The algorithm is tested using two experimental setups; first- roof surfaces characterization, and the second- an entire urban area characterization. This study has used LiDAR and airborne HySpex image. This study proposes a band selection method called Principal Component Analysis-Band Selection (PCA–BS) and compared to transformation methods-PCA and Minimum Noise Fraction (MNF). This study employed and compared the Artificial Neural Network (ANN), Support Vector Machine (SVM), Spectral Angle Mapper (SAM) and Spectral Information Divergence (SID) in the characterization of urban surfaces. The results of both experiments confirmed that band selection method PCA–BS method is superior to the transformation methods (PCA and MNF) in offering best result. Initial band optimization using 30 PCA-BS bands in urban area delivered the highest Overall Accuracies (OAs) such as ANN 94.34% and SVM 88.72%. In roof classification; ANN resulted in OA of 90.85% and 0.90 Kappa. Overall, ANN and SVM classifiers scored the best results, whereas SAM and SID performed poorly in the classification. Precisely, the PCA–BS method and classifiers allowed the extraction of 10 optimal bands that are capable of offering accuracy of 83.2% and 86.63% using SVM and ANN in the urban area. Using LiDAR with HySpex increased discrimination potential and elevated the overall accuracies by 6%.