.png){kind=icon}
返回
Enhancing machine learning-based crop mapping with high-quality training samples
.png){kind=icon}
PRE
AI
DOI：10.1080/10095020.2025.2588836.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
虽然机器学习（ML）方法能够通过遥感影像的分类生成作物地图，但获取高质量训练样本用于ML仍然具有挑战性。本文提出了一种样本评估方案以解决这一问题。首先，使用无监督机器学习生成目标驱动的聚类，这些聚类作为分层的基础，以减少采样中的空间冗余。其次，基于分层地图随机采集样本，生成具有不同大小和空间分布的多组样本。最后，该方案通过考虑多种特征（以样本代表性指标表示）来评估单个样本的代表性，并为每个聚合样本集引入综合代表性指标（CRI）。基于此方案，我们假设CRI可以作为样本集质量的度量。为检验这一假设，我们使用支持向量机（SVM，一种监督式机器学习）与不同样本集进行了一系列作物制图实验。结果表明：(1) 存在一个最优样本量，低于该值时，使用不同样本集的制图精度差异显著。(2) 当样本量低于最优阈值时，选择CRI更高的样本集能稳健地提高制图精度。(3) 制图精度与CRI之间存在显著相关性。这些发现表明，所提出的样本评估方案不仅有助于收集用于基于机器学习的作物制图的高质量训练样本，还能通过考察采集样本的固有特征来预测作物制图的精度。
Keyword:
Crop mapping
machine learning
sample representativeness
optimal sample size
accuracy
期刊
G
IF:
5.5
论文数:
867
被引数:
2.4K
机构
引用论文
.png){kind=icon}
分享收藏Predictive performance of machine learning model with varying sampling designs, sample sizes, and spatial extents具有不同抽样设计、样本大小和空间范围的机器学习模型的预测性能
PREAI
分享收藏
分享收藏
查看更多内容