Mapping of hyperspectral AVIRIS data using machine-learning algorithms

Hyperspectral imaging provides detailed spectral and spatial information from the land cover that enables a precise differentiation between various surface materials. On the other hand, the performance of traditional and widely used statistical classification methods is often limited in this context, and thus alternative methods are required. In the study presented here, the performance of two machine-learning techniques, namely support vector machines (SVMs) and random forests (RFs), is investigated and the classification results are compared with those from well-known methods (i.e., maximum likelihood classifier and spectral angle mapper). The classifiers are applied to an Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) dataset that was acquired near the Hekla volcano in Iceland. The results clearly show the advantages of the two proposed classifier algorithms in terms of accuracy. They significantly outperform the other methods and achieve overall accuracies of approximately 90%. Although SVM and RF show some diversity in the classification results, the global performance of the two classifiers is very similar. Thus, both methods can be considered attractive for the classification of hyperspectral data. Les images hyperspectrales fournissent une information spectrale et spatiale détaillée sur le couvert permettant ainsi une différentiation précise des différents matériaux de surface. D’autre part, la performance des méthodes de classification statistique traditionnelles et les plus couramment utilisées est souvent limitée à cet égard. Ainsi, des méthodes alternatives sont nécessaires. Dans cette étude, les performances de deux techniques d’apprentissage automatique — séparateurs à vaste marge (SVM) et forêts aléatoires (RF) — sont analysées et les résultats de classification sont comparés à ceux de méthodes bien connues (c.-à-d. classificateur par maximum de vraisemblance et méthode SAM (« spectral angle mapper »). Les classificateurs sont appliqués à un ensemble de données d’AVIRIS (« Airborne Visible/Infrared Imaging Spectrometer ») acquis près du volcan Hekla, en Islande. Les résultats démontrent clairement les avantages des deux algorithmes de classification proposés en termes de précision. Ceux-ci affichent une performance nettement supérieure à celle des autres méthodes et permettent d’atteindre une précision globale d’environ 90 %. Bien que les méthodes SVM et RF affichent une certaine diversité au plan des résultats de classification, la performance globale des deux classificateurs est très semblable. Ainsi, les deux méthodes peuvent être considérées comme intéressantes pour la classification des données hyperspectrales.[Traduit par la Rédaction].