Investigating the Behaviour of Neural and Fuzzy-Statistical Classifiers in Sub-Pixel Land Cover Estimations

RÉSUMÉ

Ce papier propose une étude expérimentale pour analyser en profondeur comment deux techniques de classification non-conventionnelles, entre les plus couramment utilisées, basées sur les ensembles flous et sur les réseaux artificiels de neurones, peuvent contribuer à déterminer l'appartenance partielle aux classes de couverture du sol. Deux expériences ont été conduites pour achever cet objectif. Dans le premier on utilise des images artificielles simulées qui contiennent des pixels purs et des pixels mixes dont on connaît parfaitement la géometrie et la radiométrie (position et distribution des couvertures du sol au niveau de souspixel pour chaque pixel, comme ensemble complet de vérité-terrain). Dans deuxième expérience on examine une image satellitaire de la lagune de Venise (Italie) qui est caractérisée par un haut degré de complexité car les eaux et les wetland se mélangent les uns dans les autres, dessinant une composition emmelée et toujours changeante. La précision des résultats des deux techniques de classification a été évaluée et comparée parmi des outils d'évaluation qui ont été définis et développés à fin d'étendre les estimateurs traditionnels, soit descriptifs soit analytiques, dans le domaine propre des classes caractérisées par les degrés d'appartenance partielle. Les mesures de précision regardent l'identification de la composante dominante et des compositions de la mixture, l'ordination par pourcentage des composantes de la mixture et l'estimation de leur étendue. Une comparaison a été aussi établie avec la technique basée sur le modèle linéaire de mixture pour évaluer si les deux techniques non-conventionelles offrent être une alternative valide.

Dans les deux expériences, le réseau artificiel de neurones s'est avéré plus performant que la technique basée sur les ensembles flous et le modèle linéaire de mixture.

SUMMARY

This paper reports on an experimental study designed for the in-depth investigation of how two of the most widely used non-conventional classifiers, one based on fuzzy-statistical and the other on neural approaches, evaluate partial membership in land cover classes. Two experiments were conceived and conducted. The first employed simulated test images which include pure and mixed pixels of known geometry and radiometry (location and proportions of land cover composition of every pixel, as a complete ground truth). The second experiment was conducted on a highly complex real scene of the Venice lagoon (Italy) where water and wetland merge into one another, at sub-pixel level, in an intricate and complex pattern. Accuracy of the results produced by both classifiers was evaluated and compared using evaluation tools specifically defined and implemented to extend conventional descriptive and analytical statistical estimators to the case of multi-membership in classes. The accuracy measures concerned identification of the dominant component, identification of mixture components, ranking of the mixed components in terms of proportions, and quantification of these proportions. We also compared these results with those produced by the Linear Mixture Model, on which most unmixing techniques are based, to see whether fuzzy and neural classifiers can be considered alternatives to conventional procedures. The results for the two experiments showed that the neural classifier consistently outperforms both fuzzy-statistical classifier and the Linear Mixture Model.

Additional information

Notes on contributors

E. Binaghi

•

Elisabetta Binaghi and Anna Rampini are with the Istituto per le Tecnologie Informatiche Multimediali - ITIM, C.N.R. Via Ampère 56, 20131 Milan (Italy).

P.A. Brivio

•

Pietro A. Brivio, Paolo Ghezzi and Eugenio Zilioli are with Telerilevamento-IRRS, C.N.R., Via Bassini 15, 20133 Milan (Italy).

P. Ghezzi

•

Pietro A. Brivio, Paolo Ghezzi and Eugenio Zilioli are with Telerilevamento-IRRS, C.N.R., Via Bassini 15, 20133 Milan (Italy).

A. Rampini

•

Pietro A. Brivio, Paolo Ghezzi and Eugenio Zilioli are with Telerilevamento-IRRS, C.N.R., Via Bassini 15, 20133 Milan (Italy).

E. Zilioli

•

Pietro A. Brivio, Paolo Ghezzi and Eugenio Zilioli are with Telerilevamento-IRRS, C.N.R., Via Bassini 15, 20133 Milan (Italy).