Comparación entre MaxEnt y SVM como clasificadores multiclase. Caso de estudio: Río Amacuzac
Article Sidebar
Main Article Content
http://orcid.org/0000-0001-9516-1170
Ricardo Arévalo Mejía
http://orcid.org/0000-0001-8460-1206
María de Lourdes Ruíz Gómez
http://orcid.org/0000-0002-1441-6600
Miguel Angel Gómez Albores
http://orcid.org/0000-0002-6313-9187
Humberto Mejía Mojica
http://orcid.org/0000-0001-6534-6959
Resumen
En los últimos años gracias a satélites como el Sentinel 2 y la información que provee, la teledetección ha sido ampliamente utilizada en el estudio de los recursos naturales. Aunado a esta tendencia se han desarrollado y actualizado los algoritmos que se utilizan para procesar la información disponible. Una de las principales tareas a realizar en el trabajo con imágenes satelitales es la clasificación de características en las mismas (clasificación multiclase). Para llevar a cabo esta tarea el algoritmo más utilizado hasta el momento ha sido Máquina de Soporte de Vectores (SVM), sin embargo, trabajos recientes han empleado el algoritmo de Máxima Entropía (MaxEnt) con resultados prometedores. El principal objetivo de la presente investigación consiste en comparar el rendimiento de ambos algoritmos en la tarea de clasificar características como: río, vegetación y arena en imágenes satelitales del área del Río Amacuzac. Para poder comparar ambos algoritmos, se propone una metodología que consiste en combinar los resultados específicos del MaxEnt para cada clase en un mapa general. Se utilizaron los valores por defecto de los parámetros de ambos algoritmos y se compararon los
resultados para los valores de Precisión General (Overall Accuracy), Precisión del Productor (Producer’s Acuracy) y el Área bajo la Curva (AUC). Se llegó a la conclusión de que el algoritmo SVM logró clasificar con mayor precisión las características de interés anteriormente mencionadas para nuestro conjunto de datos en particular
Article Details
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-SinObrasDerivadas 4.0.
Citas
2. Congalton, R. G. (1991). A review of assessing the accuracy of classifications of remotely sensed data. Remote sensing of environment, 37(1) 35–46.https://doi.org/10.1016/0034-4257(91)90048-B
3. Cortes, C., & Vapnik, V. (2006). Support-vector networks, Machine learning, 20(3), 273–297. https://doi.org/10.1007/BF00994018DOF. (2011). Acuerdo por el que se dan a conocer los estudios técnicos de aguas nacionales superficiales de la Región Hidrológica número 18 Balsas. Diario Oficial de la Federación, México. https://dof.gob.mx.
4. Farrell, A., Wang, G., Rush, S. A., Martin, J.A., Belant, J. L., Butler, A. B., & Godwin, D. (2019). Machine learning of large‐scale spatial distributions of wild turkeys with high‐dimensional environmental data. Ecology and evolution, 9(10), 5938–5949. https://doi.org/10.1002/ece3.5177
5. Gualtieri, J. A. (2009). The support vector machine (SVM) algorithm for supervised classification of hyperspectral remote sensing data. En G. Camps-Valls y L. Bruzzone (Eds.), Kernel methods for remote sensing data analysis, 49–83, Singapore, John Wiley & Sons, Ltd.
6. Krawczyk, B., Galar, M., Woźniak, M., Bustince, H. & Herrera, F. (2018). Dynamic ensemble selection for multi-class classification with one-class classifiers. Pattern Recognition, 83, 34–51.https://doi.org/10.1016/j.patcog.2018.05.015
7. Li, W. & Guo, Q. (2010). A maximum entropy approach to one-class classification of remote sensing imagery. International Journal of Remote Sensing, 1(8), 227–2235. https://doi.org/10.1080/01431161003702245
8. Mack, B. & Waske, B. (2017). In-depth comparisons of MaxEnt, biased SVM and one-class SVM for one-class classification of remote sensing data. Remote sensing letters, 8(3), 290–299. http://doi.org/10.1080/2150704x.2016.1265689
9. Mejía-Mojica, H. (2012). Estructura y dinámica de una comunidad de peces bajo la influencia de un componente invasor.
10. Phillips, S. J., Anderson, R. P. & Schapire, R. E. (2006). Maximum entropy modeling of species geographic distributions. Ecological modelling, 190 (3–4), 231–259. https://doi.org/10.1016/j.ecolmodel.2005.03.026
11. Pratiwi, Y. & Widodo, E. (2017). Comparison of Maximum Entropy and Support Vector Machine Methods for Sentiment Analysis of Pertalite Product through Twitter Social Network. International Journal of Advances in Electronics and Computer Science, 4(12), 10–14.
12. Rahimian Boogar, A., Salehi, H., Pourghasemi, H. R. & Blaschke, T. (2019).Predicting habitat suitability and conserving Juniperus spp. habitat using SVMand maximum entropy machine learning techniques. Water, 11(10), 2049. https://doi.org/10.3390/w11102049
13. Soares, D. (2008). Recursos hídricos de la cuenca del Amacuzac. Inventio, La génesis de la cultura universitaria en Morelos, 4(8). 15-23.
14. Stehman, S. V. (1997). Selecting and interpreting measures of thematic classification accuracy. Remote sensing of Environment, 62(1),77–89. https://doi.org/10.1016/S0034-4257(97)00083-7