随着技术进步，尤其是地理信息系统 (GIS)工具的进步，可以更有效地对土地利用进行分类。分类的使用可用于识别植被覆盖变化、非法采矿区和植被抑制区域，这些只是土地利用分类的众多示例中的一部分。
分类的一大困难是确定要解决的问题的级别。我分类的目的是什么？分类是否需要具有高精度以减少对人工交互进行校正的需要？分类的目的只是为了识别随时间的变化吗？是否会使用机器学习分类来减轻地理团队的工作量？只有免费图片才能解决我的问题？
简要介绍这项工作中使用的两种学习类型，机器学习和深度学习有什么区别？
机器学习是机器学习的一种形式，是人工智能 (AI) 领域的一个子集，它使系统能够向操作员学习。这个学习领域使用数据来训练和找到准确的结果。
深度学习 或深度学习已经是机器学习的一个子集，模型将从更复杂的神经网络中学习。算法的创建就像机器学习一样，但包含更复杂的层次和更强大的计算能力。
理解这种差异的一种更简单的方法是，机器学习更依赖于人为干预进行学习，而深度学习则不依赖于人为干预。根据 Lex Fridman 的说法，深度学习是一种“更具可扩展性的机器学习” 。
第一种方法是使用机器学习技术进行分类，在这种分类中可以使用两种类型的方法，例如无监督或监督，并联合使用，称为混合分类。
假设类的数量和迭代次数给定，算法能够识别类的无监督方法。这种分类通常由称为聚类的分组方法使用。
监督方法需要一个运算符，该运算符将从图像中创建样本并表示要分类的每个类。关于这项工作，我选择仅使用监督方法进行机器学习。
这项工作的第一阶段是使用Earth Explorer平台下载Sentinel-2A图像。下载图像后，我将 4 个感兴趣的波段导出到 ArcGIS，蓝色 (B2)、绿色 (B3)、红色 (B4) 和红外 (B8) 波段。在条带之间进行假色合成 (8,4,3)，并使用感兴趣区域 (ROI) 切割合成。
机器学习分类
为分类定义的类别是：水、原始森林、裸露的土壤、农业、人工林和田地，记住这项工作只是一个应用示例。
定义类后，我创建了多边形格式的样本，包含要作为一个整体分类的图像。我将面向对象的方法与随机树分类器结合使用，除了这些分类器之外还有其他分类器，例如：最大似然，支持向量机，k-最近邻。
随机树分类器由一起运行的决策树组成，每棵树决定类别，得票最多的类别成为模型预测。下面是一个例子，说明最后一类的票数最高，在这种情况下，在一个水果篮中，我们有 2 棵苹果树和 1 棵香蕉树，最后一类将被定义为苹果，用于展示 2/3总票数。
为了进行分类，我对复合材料进行了分段，因为它是面向对象方法的必要步骤。分割对具有相似特征的像素进行分组，是减少逐像素分类中分散像素的替代方法。
这一步使用的工具是Image Classification Wizard，分类结果如下图所示。左图代表 RGB 合成，右图代表分类。
混淆矩阵
分类后，我用推理样本执行了混淆矩阵。主对角线表示以“正确”方式分配给每个类别的样本数量，行和列表示样本“出错”的位置，使用此数据可以为我们的模型执行准确性和Kappa索引. 混淆矩阵显示89% 的准确度和85% 的 kappa。
深度学习排名
为了利用上次分类的结果，我会将栅格文件转换为多边形，并在“为深度学习导出训练数据”工具中使用它，之后使用一些参数作为模型的基础，以及一个 45°使用旋转角度，这将有助于增加我的图像（样本）。此步骤耗时约 2 小时 51 分钟。
随着数据的导出，现在是训练深度学习模型的步骤。下一个工具是Train Deep Learning Model，我使用10个epochs，也就是模型通过整个层的次数，以及Resnet34架构，一种用于更复杂训练的神经网络，之后我使用10这些数据的百分比用于模型验证。
1 小时 40 分钟后，模型得到训练，其准确率约为 79%。现在是最期待的一步，我们要测试我们的模型，我将使用相同的组合，但在不同的地方训练。这一步使用的工具是Classify Pixels Using Deep Learning，结果如下图所示，我将真彩色图像与分类结果进行了比较。
在这两种分类中，原生植被和人工林之间以及田野和农业之间都存在问题，但这项工作的主要目的是基于机器学习提出这两种分类形式。
机器学习分类的准确率为 89%，而深度学习分类为79%。这并不意味着一种分类比另一种更好，而是需要在两种学习中进行更多的测试。
在某些情况下，使用机器学习对土地利用进行分类已经是一种解决方案，但在更复杂的情况下，有必要使用深度学习。
