RS DL
论文介绍
题目：Effect of Artificial Intelligence Evolving on Hyperspectral Imagery with Different Signal-to-Noise Ratio, Spectral and Spatial Resolutions
期刊：Remote Sensing of Environment
论文：https://doi.org/10.1016/j.rse.2024.114291
科学问题
高光谱成像仪三个核心参数（空间分辨率、光谱分辨率和信噪比）对遥感AI分类算法的性能有没有影响？怎么影响？ 随着AI分类算法的发展，核心参数对分类性能的影响是否变化？ 随着海量具有不同参数配置的高光谱数据涌现，用户如何选择？ 图1 高光谱成像关键核心参数
摘要
高光谱图像在分类和识别中的应用日益增多。数据用户更倾向于高空间分辨率、高光谱分辨率和高信噪比（SNR）的高光谱影像。然而，这些核心参数之间相互制约，如何权衡核心参数是高光谱仪器研制的关键技术之一，也是影响实际应用效果的重要因素。随着高光谱传感器技术的发展，卫星、航空以及无人机各种平台的海量高光谱数据接踵而来，高光谱遥感也进入了“大数据”时代。选择具有最佳参数配置的高光谱数据已成为用户面临的一个重要问题，这也影响到后端应用。随着计算机科学的进步，各种人工智能算法被开发并用于高光谱图像的分类和识别。
数据
方法
研究采用空间、光谱重采样方法获得了不同空间、光谱分辨率的数据子集，同时开发了基于图像的SNR模型，获得了不同SNR的高光谱数据子集。在5个高光谱数据集上，通过大量实验，对比了多种包含机器学习、CNNs构架算法、及VITs构架的高光谱分类模型在不同空间分辨率、光谱分辨率、以及不同SNR下的分类性能。进一步对人工智能算法与高光谱图像核心参数之间的权衡和协同发展进行总结和分析。
信噪比（SNR）：
对MV、XS、SY数据集，保持空间和光谱分辨率不变，基于图像方法生成不同SNR（10%-100%）的子数据集。 使用六种分类模型（CART、RF、3D-CNN、Hamida、VIT、RVT）测试分类性能。
空间分辨率：
对MV、XS、SY数据集，分别通过最近邻插值（IS）和平均采样（AS）降采样，生成0.5m至5m（或更低）分辨率的数据。 确保降采样后标签数据与影像一致。
光谱分辨率：
对MV、XS、SY、PU、IP数据集，使用平均光谱采样（ASR）和间隔光谱采样（ISR），逐渐降采样至4波段。 确保生成的数据具有不同光谱分辨率，同时保持标签一致。
图6 研究所采用的技术路线图。
图7 不同高光谱数据集水域不同信噪比（SNR）的示意图。
结果与分析
实验结果表明：空间分辨率、光谱分辨率和SNR对分类精度有明显的影响，其作用关系受高光谱分类模型的影响。在多数情况下，对于不同空间分辨率、光谱分辨率和SNR的高光谱数据集，深度学习模型的分类精度高于经典机器学习模型，其结果也与分类场景有关。VITs构架类的高光谱分类模型，在不同的分类场景下，对SNR表现出较高的非敏感性，这与传统机器学习的结果有着较大的不同。
图 8 SNR和空间分辨率的变化对多种模型精度的影响（a:MV, b:XS, c: SY）。
更多图表分析可见原文
公众号欢迎优秀作者投稿！可加入优秀论文作者群：欢迎加入AI遥感优秀论文作者群！
问题及讨论可直接在文章下方留言
欢迎关注
分享遥感与深度学习领域的技术、论文、书籍、新鲜事。
欢迎加入遥感与深度学习交流群(点此加入)。
