以Boosting法改进监督式分类於水稻田样本特性之研究.PDF

航測及遙測學刊 第十三卷 第一期 第 43-56 頁 民國 97 年 3 月 43 Journal of Photogrammetry and Remote Sensing Volume 13, No.1, March 2008, pp. 43-56 以 Boosting法改進監督式分類於水稻田樣本特性之 研究 1 2 3 4 楊龍士 陳慧欣 劉致亨 周天穎 摘 要 資料挖掘(Data Mining)運用在衛星影像並結合機器學習理論，可從大量資料中發現知識。採用迴歸樹 (CART)法獲得水稻分類知識是應用範例之一雖然此方法仍需進行樣本選取，但可降低樣本選取因素對分 類成果的影響，如範圍狹小，特性不均勻等因素。利用機器學習集成方式 Boosting，可以解決樣本重新選 取所造成的特性改變，有助於提升分類成果準確度。利用 Boosting 組合分類準確度較差之樣本，分析並 獲得分類精度較佳的樣本組合，避免重新取樣的問題，再配合 CART 分類法的使用，可提昇分類準確度。 研究成果顯示，在分類精度方面利用 Boosting 方法比傳統最大概似法及 CART 法，分別提昇了近 5%及 3%。 關鍵詞：Boosting、資料挖掘、監督式分類、樣本特性 1. 前言 的分類成果。本研究主要目的可分述如下： 1.運用 CART 進行分類，透過樹狀圖形獲得符合人 近年來在遙測領域已有多學者應用資料挖掘 類認知之知識，達到水稻分類知識發現的目標。 (Data Mining)技術進行資訊萃取，達到發現知識的 從而改善傳統最大概似法(Maximum Likelihood 目標(呂坤哲，2002，Schapire et al, 2005)。分類迴歸 Classification, MLC)中，無法呈現判釋規則的缺 樹(CART, Classification and Regression Tree)不僅利 點，達到資料集分析-機器學習的目標。 用視覺化樹狀圖呈現結果外，更可闡述判釋規則， 2.結合學習集成的 Boosting 演算法，以改善學習過 進而達到知識發現的目的。在進行衛星影像分類 程中模糊不確定的樣本分配，進而提昇分類成果 時，選取樣本時不僅需要考量是否具備符合真實地 的精度。 物的光譜資訊外，更需要考量光譜中的許多不確定 2. 文獻回顧 性(uncertainty)及模糊不清(vague)等因素。CART 與 監督式分類法相同需要選取訓練樣區，亦受到上述 在以往衛星影像分類中，傳統的監督式分類主 的情形所影響；而 Schapire(1990)所提出的 Boosting 要是利用影像的統計特性，利用計算樣區特徵的平 演算法則可以解決樣本選擇問題，故本研究結合 均值、變異數及相關性等加以建立模式進行分類， Boosting 演算法與 CART 演算法，進行監督式分類 或是增加紋理特徵，植生指標等屬性來擴大類別間 樣本的調整，配合弱式可學習分類器(learnable 的差異，進而獲得最佳的分類成果。如：蕭國鑫 classifier)，透過 Boosting 演算法將混淆不清的樣 (1998)透過 NDVI、GI、BI 及雷達影像分別進行逐 本，進行多次迭代後，使其錯誤率降至最低，產生 像元式及區域式分類，探討何種生長期的影像組合 一組搭配最佳的樣本組合，再進行分類以提高最後 才 可 得 到 最 佳 分 類 成 果 。 吳 政 庭 (2