Dans l'application des données de télédétection, les données obtenues par un seul capteur ne peuvent souvent pas répondre aux besoins réels, car l'information contenue dans ces données est souvent limitée. La fusion de données peut améliorer la disponibilité de ces données, mais elle pose également le problème de la redondance de l'information. Dans cet article, un ensemble complet de cadres de traitement d'images de télédétection multi-sources a d'abord été construit, visant le problème de sélection de voisinage dans un algorithme de cartographie isométrique (ISOMAP) ; un algorithme ISOMAP amélioré basé sur la norme L1 (une technique d'optimisation sparse qui minimise les sommes de valeurs absolues) a été proposé pour exploiter la structure intrinsèque de faible dimension des données de télédétection multi-sources et réduire la dimension des données. Dans cet article, l'algorithme traditionnel d'apprentissage des variétés est amélioré en développant une version d'ISOMAP basée sur la norme L1 (L1-ISOMAP) pour les tâches de réduction de dimension. Après la réduction de dimension, la machine à vecteurs de support (SVM) et la forêt aléatoire (RF) sont utilisées pour classifier les données réduites. Les résultats expérimentaux montrent qu'en comparaison avec d'autres méthodes de réduction de dimension telles que la projection d'approximation des variétés contrôlées par paires (PaCMAP), l'approximation uniforme des variétés et projection (UMAP), l'ISOMAP traditionnel, et d'autres variantes améliorées de l'ISOMAP (atteignant 96,90 % de précision globale avec SVM et 98,69 % avec RF, avec des coefficients kappa de 0,96 et 0,98, respectivement), notre L1-ISOMAP atteint une précision de classification globale supérieure et démontre une robustesse plus forte dans le traitement des données de télédétection multi-sources.
Zheng et al. (Jeudi,) ont étudié cette question.