混合深度神经网络和机器学习模型用于空中卫星森林图像分割
Clopas Kwenda1, Mandlenkosi Gwetu2, Jean Vincent Fonou-Dombeu1
1School of Mathematics, Statistics and Computer Science, University of KwaZulu Natal, Pietermaritzburg 3209, South Africa.
Journal of imaging
|June 26, 2024
概括
这项研究引入了一种混合深度学习和机器学习模型,用于从空中图像中准确地细分森林覆盖面. 这种新的方法显著提高了细分性能,超过了现有的方法.
科学领域:
- 遥感和地理空间分析
- 机器学习和人工智能的人工智能
- 环境监测和气候变化缓解
背景情况:
- 准确的森林覆盖面监测对于减缓气候变化和社会经济活动至关重要.
- 传统的图像细分方法与空间和纹理特征提取作斗争,导致森林覆盖面的分类不足.
- 深度神经网络提供先进的特征提取功能,但通常需要大量的数据和计算资源.
研究的目的:
- 开发和评估一种结合深度神经网络 (VGG16,ResNet50) 和机器学习分类器 (Random Forest,LSVM,kNN,LDA,GNB) 的新型混合方法,用于空中卫星图像细分.
- 提高森林和非森林地区细分的准确性和效率.
- 将混合模型的性能与传统方法和现有研究进行比较.
主要方法:
- 从空中卫星森林图像中提取特征,使用预训练的VGG16和ResNet50深度神经网络模型.
- 用五个机器学习分类器 (随机森林,LSVM,kNN,LDA,GNB) 对提取的深度特征进行训练的森林和非森林区域的细分.
- 在深度地球挑战数据集上使用准确度,贾卡德指数和根平均平方误差 (RMSE) 的性能评估.
主要成果:
- 混合随机森林模型以94%的准确性,0.913的雅卡德指数和0.245的RMSE实现了最高的性能.
- 与独立使用相比,混合方法显著提高了所有测试的机器学习分类器的细分性能.
- 拟议的模型展示了优越的细分能力,在相关研究中表现优于其他模型.
结论:
- 混合深度学习和机器学习方法提供了一种强大而有效的解决方案,用于从空中图像中准确地细分森林覆盖.
- 深度神经网络的整合用于特征提取,提高了传统机器学习分类器对此任务的性能.
- 这种方法为环境监测和气候变化研究提供了强大的工具.
