ABSTRACT Detecting the appropriate usage of a piece of land is known as Land Usage Mining. The key resource to detect the Land Usages is aerial Images. The advancement in technology in form of satellites, drones, unmanned aerial vehicles do capture the tons of wide land cover images. Aerial images are used for various purposes alias getting an overview to put up the settlement by making construction, extracting mineral deposits, disaster mitigation planning, disaster recovery, and surveillance. Automated land usage identification with help of modern machine learning algorithms may be a great boon to mankind. Different feature extraction methods are being explored to represent aerial image content in the signature form, these features are mainly taken as a global or local content description of the image. Feature Level Fusion of both the global and the local content description features may give a more accurate capability for identification of land usage. The paper proposes feature level fusion of global features extracted using Thepade’s Sorted Block Truncation Coding (Thepade SBTC) and local features extracted using Sauvola Thresholding for land usage identification. Consideration of more than one Machine Learning classifiers as an ensemble has proven better than individual Machine Learning classifiers. Thepade SBTC is explored in aerial image feature extraction with nine variations as TSBTC 2-ary, TSBTC 3-ary, TSBTC 4-ary, TSBTC 5-ary, TSBTC 6-ary, TSBTC 7-ary, TSBTC 8-ary, TSBTC 9-ary, and TSBTC 10-ary. The experimentation is done on UC Land Merced Dataset having 2100 images spread across 21 land usage types. Here the land usage identification accuracy, Matthews Correlation Coefficient (MCC), and F Measure have shown better performance in TSBTC 10-ary global feature extraction method. Further, the TSBTC 10-ary global features are concatenated with Sauvola thresholding-based local features for feature level fusion, which show the performance improvement of the proposed land usage identification technique. Also, the ensembles of machine learning algorithms are deployed for performance assessment along with the individual nine machine learning algorithms for the proposed land usage identification technique. The majority voting-based ensemble of ‘IB1+ Random Forest+ Simple Logistic+ SMO+ KStar’ has resulted in better accuracy of land usage identification.

中文翻译：

---

使用机器学习算法集合的航空图像融合 Thepade SBTC 和 Sauvola 阈值特征的土地利用识别

摘要检测一块土地的适当用途被称为土地使用挖掘。检测土地利用的关键资源是航拍图像。卫星、无人机、无人驾驶飞行器等技术的进步确实捕捉到了大量宽阔的土地覆盖图像。航拍图像用于各种目的，别名通过建造、开采矿藏、减灾规划、灾难恢复和监视来获得概述以建立定居点。在现代机器学习算法的帮助下自动识别土地使用情况可能是人类的一大福音。正在探索不同的特征提取方法来以签名形式表示航拍图像内容，这些特征主要作为图像的全局或局部内容描述。全局和局部内容描述特征的特征级融合可以提供更准确的土地使用识别能力。该论文提出了使用 Thepade 的排序块截断编码 (Thepade SBTC) 提取的全局特征和使用 Sauvola 阈值提取的用于土地使用识别的局部特征的特征级融合。事实证明，将多个机器学习分类器作为一个整体比单个机器学习分类器更好。Thepade SBTC 在航拍图像特征提取中进行了探索，包括 TSBTC 2-ary、TSBTC 3-ary、TSBTC 4-ary、TSBTC 5-ary、TSBTC 6-ary、TSBTC 7-ary、TSBTC 8-ary、TSBTC 9 -ary 和 TSBTC 10-ary。实验是在 UC Land Merced 数据集上完成的，该数据集有 2100 张图像，分布在 21 种土地使用类型中。在这里，土地利用识别精度、马修斯相关系数（MCC）和 F 度量在 TSBTC 10 进制全局特征提取方法中表现出更好的性能。此外，将 TSBTC 10 进制全局特征与基于 Sauvola 阈值的局部特征连接起来进行特征级融合，这显示了所提出的土地使用识别技术的性能改进。此外，机器学习算法的集合与用于拟议土地使用识别技术的九种机器学习算法一起被部署用于性能评估。“IB1+随机森林+简单物流+SMO+KStar”的基于多数投票的集成使得土地使用识别的准确性更高。和 F Measure 在 TSBTC 10-ary 全局特征提取方法中表现出更好的性能。此外，将 TSBTC 10 进制全局特征与基于 Sauvola 阈值的局部特征连接起来进行特征级融合，这显示了所提出的土地使用识别技术的性能改进。此外，机器学习算法的集合与用于拟议土地使用识别技术的九种机器学习算法一起被部署用于性能评估。“IB1+随机森林+简单物流+SMO+KStar”的基于多数投票的集成使得土地使用识别的准确性更高。和 F Measure 在 TSBTC 10-ary 全局特征提取方法中表现出更好的性能。此外，将 TSBTC 10 进制全局特征与基于 Sauvola 阈值的局部特征连接起来进行特征级融合，这显示了所提出的土地使用识别技术的性能改进。此外，机器学习算法的集合与用于拟议土地使用识别技术的九种机器学习算法一起被部署用于性能评估。“IB1+随机森林+简单物流+SMO+KStar”的基于多数投票的集成使得土地使用识别的准确性更高。这显示了所提出的土地利用识别技术的性能改进。此外，机器学习算法的集合与用于拟议土地使用识别技术的九种机器学习算法一起被部署用于性能评估。“IB1+随机森林+简单物流+SMO+KStar”的基于多数投票的集成使得土地使用识别的准确性更高。这显示了所提出的土地利用识别技术的性能改进。此外，机器学习算法的集合与用于拟议土地使用识别技术的九种机器学习算法一起被部署用于性能评估。“IB1+随机森林+简单物流+SMO+KStar”的基于多数投票的集成使得土地使用识别的准确性更高。