Page 14 - Digital Analysis of Remotely Sensed Imagery

Co n t e n t s xiii

8.4 Network Configuration . . . . . . . . . . . . . . . . . . . . 325
8.4.1 Number of Hidden Layers . . . . . . . . . 326
8.4.2 Number of Hidden Nodes . . . . . . . . . 327
8.5 Network Training . . . . . . . . . . . . . . . . . . . . . . . . . 329
8.5.1 General Procedure . . . . . . . . . . . . . . . . 329
8.5.2 Size of Training Samples . . . . . . . . . . . 330
8.5.3 Nature of Training Samples . . . . . . . . 331
8.5.4 Ease and Speed of Network
Training . . . . . . . . . . . . . . . . . . . . . . . . . 331
8.5.5 Issues in Network Training . . . . . . . . 333
8.6 Features of ANN Classifiers . . . . . . . . . . . . . . . . . 334

8.6.1 Methods of Data Encoding . . . . . . . . . 334
8.6.2 Incorporation of Ancillary
Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 335
8.6.3 Standardization of Input Data . . . . . . 336
8.6.4 Strengths and Weaknesses . . . . . . . . . 337

8.7 Parametric or ANN Classifier? . . . . . . . . . . . . . . 340
8.7.1 Case Study . . . . . . . . . . . . . . . . . . . . . . . 340
8.7.2 A Comparison . . . . . . . . . . . . . . . . . . . . 342
8.7.3 Critical Evaluation . . . . . . . . . . . . . . . . 343
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 347

9 Decision Tree Image Analysis . . . . . . . . . . . . . . . . . . . . 351
9.1 Fundamentals of Decision Trees . . . . . . . . . . . . . 351
9.2 Types of Decision Trees . . . . . . . . . . . . . . . . . . . . . 353
9.2.1 Univariate Decision Trees . . . . . . . . . . 353
9.2.2 Multivariate Decision Trees . . . . . . . . 355
9.2.3 Hybrid Decision Trees . . . . . . . . . . . . . 357
9.2.4 Regression Trees . . . . . . . . . . . . . . . . . . 358
9.3 Construction of Decision Trees . . . . . . . . . . . . . . 360
9.3.1 Construction Methods . . . . . . . . . . . . . 360
9.3.2 Feature Selection . . . . . . . . . . . . . . . . . . 361
9.3.3 An Example . . . . . . . . . . . . . . . . . . . . . . 364
9.3.4 Node Splitting Rules . . . . . . . . . . . . . . 366
9.3.5 Tree Pruning . . . . . . . . . . . . . . . . . . . . . 368
9.3.6 Tree Refinement . . . . . . . . . . . . . . . . . . 370

9.4 Common Trees in Use . . . . . . . . . . . . . . . . . . . . . . 371
9.4.1 CART . . . . . . . . . . . . . . . . . . . . . . . . . . . 372
9.4.2 C4.5 and C5.0 Trees . . . . . . . . . . . . . . . 373
9.4.3 M5 Trees . . . . . . . . . . . . . . . . . . . . . . . . 374
9.4.4 QUEST . . . . . . . . . . . . . . . . . . . . . . . . . . 375

9.5 Decision Tree Classification . . . . . . . . . . . . . . . . . 376
9.5.1 Accuracy . . . . . . . . . . . . . . . . . . . . . . . . 377
9.5.2 Robustness . . . . . . . . . . . . . . . . . . . . . . . 379
9.5.3 Strengths . . . . . . . . . . . . . . . . . . . . . . . . 381