密集的神经网络优于其他机器学习模型,用于扩大加拿大东部的覆盖地图

科学领域:

• 遥感 遥感 遥感 遥感
• 生态生态学 生态生态学
• 机器学习 机器学习

背景情况:

• 准确地绘制鱼的地图对于鹿管理和土地保护至关重要.
• 以前的研究使用随机森林,密集神经网络和卷积神经网络模型来估计覆盖面积.
• 缺乏对这些模型在状体映射中的表现进行比较分析.

研究的目的:

• 评估和排名随机森林,密集神经网络和卷积神经网络模型的性能,用于使用Sentinel-2图像预测鱼百分比覆盖率.
• 确定最适合的机器学习模型,用于生成准确的区域地图.

主要方法:

• 训练了三种机器学习模型 (随机森林,密集神经网络,卷积神经网络) 在来自无人机调查的10米分辨率覆盖地图上.
• 通过使用来自加拿大北克和拉布拉多的Sentinel-2图像的平均绝对误差和R2指标评估模型性能.
• 使用表现最佳的模型生成区域地图.

主要成果:

• 密集神经网络模型表现出卓越的准确性,平均绝对误差为5.2%,R2为0.76.
• 随机森林和卷积神经网络模型的性能相似,平均绝对误差分别为5.5%和5.3%.
• 密集的神经网络在其他模型上实现了5.9%的性能提升,尽管计算要求更高.

结论:

• 密集的神经网络是从卫星图像中准确地绘制鱼的最合适模型,提供了显著的性能改进.
• 这项研究推进了制造精确地图的方法,这对鹿保护和可持续土地管理至关重要.
• 在培训数据中未包含的土地覆盖类型中观察到模型不确定性,突出了未来研究的领域.