.png){kind=icon}
返回
Comparative Analysis of Machine Learning Algorithms for Object-Based Crop Classification Using Multispectral Imagery
.png){kind=icon}
OA
AI
DOI：10.3390/drones9110763.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无人机（UAVs）为农业遥感提供了更优的空间和时间分辨率，超越了传统的卫星遥感方法。鉴于用于作物识别的机器学习方法日益丰富，本研究评估并比较了五种机器学习算法（ML），并测试了一种集成学习方法作为第六种方法，结合基于对象的图像分析（OBIA）对无人机多光谱影像进行作物类型分类，旨在识别最有效的模型并基于表现最佳的方法生成分类图。图像分割使用eCognition软件完成，并从分割后的对象中提取光谱、指数和灰度共生矩阵（GLCM）特征。开发并执行了一个集成多种分类算法（SVM、ANN、RF、XGBoost、KNN、集成学习）并具有自动超参数优化的机器学习模型，该模型在Google Colab中使用Python 3.10实现。所有分类器的准确率均超过80%，曲线下面积（AUC）值高于0.9。SVM和ANN是最优分类器，准确率均为94%，其次是XGBoost（93%）、RF（92%）和KNN（89%）。作为第六种方法的集成学习方法（SVM + ANN）优于所有单一模型，准确率达到95%。棉花、玉米、花生和大豆的分类准确率最高，其中指数和GLCM特征贡献最为显著，其次是光谱特征。高分辨率无人机影像与机器学习及OBIA的集成显示出在作物类型自动分类中的巨大潜力，为精准农业应用提供了有力支持。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
D
IF:
4.8
论文数:
3.9K
被引数:
8.3K
机构
引用论文
Estimating leaf age of maize seedlings using UAV-based RGB and multispectral images使用基于无人机的RGB和多光谱图像估算玉米幼苗的叶龄
PREAI
分享收藏分享收藏High-resolution broad-scale mapping of soil parent material using object-based image analysis (OBIA) of LiDAR elevation data使用LiDAR高程数据的基于对象的图像分析 (OBIA) 对土壤母质进行高分辨率大比例尺制图.png)
CATENA
CATENAIF5.7
PREAI
分享收藏Comparison of Hybrid Classifiers for Crop Classification Using Normalized Difference Vegetation Index Time Series: A Case Study for Major Crops in North Xinjiang, ChinaPLOS ONE
OAAI
PLOS ONEIF0
OAAI分享收藏
查看更多内容