轻量学习:利用机器学习特征提取与众包技术实现坦桑尼亚的农作物高效分类
《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:Lite Learning: Efficient Crop Classification in Tanzania Using Feature Extraction with Machine Learning & Crowd Sourcing
【字体:
大
中
小
】
时间:2026年07月01日
来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 6.3
编辑推荐:
摘要:本研究提出了一种新的方法,将众包数据与从Sentinel-2卫星图像中提取的时间序列特征相结合,用于坦桑尼亚的作物类型分类。通过利用YouthMappers网络,我们在不同的农业区域收集了多种作物的地面验证数据,其中包括木薯、小米、向日葵、高粱和棉花等较为难以分类的作物。我
摘要:
本研究提出了一种新的方法,将众包数据与从Sentinel-2卫星图像中提取的时间序列特征相结合,用于坦桑尼亚的作物类型分类。通过利用YouthMappers网络,我们在不同的农业区域收集了多种作物的地面验证数据,其中包括木薯、小米、向日葵、高粱和棉花等较为难以分类的作物。我们运用传统的机器学习算法,并结合精心设计的时间序列特征,来对不同作物类别进行识别。该方法的分类准确率很高,Cohen’s Kappa值为0.82,F1-micro值为0.85。该模型的性能往往可与那些仅能将土地分类为“农业”而不区分具体作物类型的常用土地覆盖模型相媲美,甚至更优。通过使用SHAP值分析特征重要性,我们找到了影响模型性能的关键时间序列特征,从而提升了模型的可解释性和可靠性。我们的研究结果表明,将传统机器学习技术与计算效率高的特征提取方法相结合,可在数据匮乏的环境中提供一种实用且有效的“轻量级学习”方法用于作物类型分类。这种方法以低成本、资源消耗少的方式实现精确的作物类型分类,为可持续农业实践和科学决策提供有力支持,进而有助于改善资源匮乏地区,如撒哈拉以南非洲地区的粮食安全与土地管理。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号