Comparison of Evidential Reasoning and Neural Network Approaches in a Multi-source Classification of Alpine Tundra Vegetation

RÉSUMÉ

Il est démontré depuis peu que le raisonnement d'évidences et les approches par réseau de neurones ont beaucoup de potentiel pour l'analyse d'images multisources et la classification de la couverture du sol. Dans cet article, le raisonnement d'évidences et les classificateurs de réseau de neurones sont comparés dans une classification multisource de la végétation de toundra alpine dans la région de Niwot Ridge, dans les Colorado Rocky Mountains. La performance des deux classificateurs a été évaluée relativement à l'approche conventionnelle par maximum de vraisemblance. Dans la toundra alpine, le développement d'une communauté donnée est corrélé avec le couvert nival et les conditions d'humidité qui, dans le cas de Niwot Ridge, sont associés à la topographie et plus particulièrement, à la direction des vents dominants. Les classifications réalisées utilisant l'ensemble de données multisources (30-m) ont montré que les meilleurs résultats sont obtenus avec un classificateur de raisonnement d'évidences (79%), suivi des classificateurs de réseau de neurones (71%) et du maximum de vraisemblance (69%). Des expériences réalisées avec les réseaux de neurones ont démontré la difficulté d'en arriver à une architecture optimale de réseau pour atteindre des niveaux élevés de précision. En particulier, la performance du réseau de neurone s'avère variable, dépendant du nombre de couches cachées, du nombre de noeuds cachés dans chaque couche cachée et du nombre d'itérations d'apprentissage utilisées, alors que le classificateur de raisonnement d'évidences requiert peu d'intervention de l'utilisateur et est insensible aux caractéristiques des paramètres par rapport aux intrants du réseau de neurones. Le classificateur de raisonnement d'évidences permet aussi une vitesse de calcul significativement plus élevée comparativement au réseau de neurone, à partir de quoi nous avons conclu que la vitesse et la précision du raisonnement d'évidences seraient bien adaptées aux ensembles de données plus vastes et pour les études à l'échelle régionale. Les planches d'erreurs produites dans le cadre de cette recherche ont permis d'examiner la distribution spatiale des pixels classifiés erronément. Les patterns spatiaux identifiés sur ces planches suggèrent que certaines des variables environnementales clés qui contrôlent la distribution de la végétation sur Niwot Ridge seraient mieux caractérisées par l'utilisation de données à plus haute résolution (5–15 m) et en incorporant des variables supplémentaires telles que la géologie de surface et la durée du couvert nival.

SUMMARY

It has recently been shown that evidential reasoning and neural network approaches have considerable potential for multi-source image analysis and classification of land cover. In this paper, evidential reasoning and neural network classifiers are compared in a multi-source classification of alpine tundra vegetation of Niwot Ridge, Colorado Rocky Mountains. The performance of the two classifiers was assessed relative to the conventional maximum likelihood approach. In the alpine tundra, the development of a particular community is correlated with snow cover and moisture conditions, which on Niwot Ridge, are associated with topography in relation to prevailing wind direction. Classifications performed using the multi-source data set (30-m) showed that the best results are obtained with an evidential reasoning classifier (79%), followed by neural network (71%) and maximum likelihood classifiers (69%). Experimentation with neural network demonstrated the difficulties in finding an optimal network architecture to attain high levels of agreement. Specifically, the performance of the neural network was found to be variable, depending upon the number of hidden layers, the number of hidden nodes in each hidden layer, and the number of training iterations utilized, whereas the evidential reasoning classifier requires little user intervention and is not sensitive to parameter specification compared to neural network inputs. The evidential reasoning classifier also had significantly faster computing times compared to the neural network, from which we concluded that the speed and accuracy of evidential reasoning would be well suited for larger data sets and regional scale studies. Error maps produced as part of this research allowed to examine the spatial distribution of misclassified pixels. Spatial patterns identified on these maps suggest that some of the key environmental variables which control vegetation distribution on Niwot Ridge may best be captured using higher resolution data (e.g. 5–15 m) and by incorporating additional variable such as surficial geology and snow cover duration.

Additional information

Notes on contributors

Claude R. Duguay

•

Claude R. Duguay is with the Département de géographie et Centre d'études nordiques, Université Laval, Sainte-Foy, Québec G1K 7P4

Derek R. Peddle

•

Derek R. Peddle is with the Department of Geography, University of Waterloo, Waterloo, Ontario N2L 3G1