评估随机森林,支持矢量机器,梯度树增强和CART的性能,以在Google Earth引擎中使用最绿色的像素复合物来改进作物类型监测

科学领域:

• 农业遥感 农业遥感
• 机器学习在农业中的应用.
• 用于作物监测的地理空间分析.

背景情况:

• 高分辨率的光学卫星数据对于农业监测至关重要,但往往受到云层和阴影的阻碍,影响作物现象学捕获和地图准确性.
• 选择合适的机器学习算法至关重要,因为性能因数据集,超参数调整和样本质量而异.
• 云计算平台为处理大型卫星数据集和加强农业监测提供了强大的解决方案.

研究的目的:

• 通过克服光学数据的局限性,为印度Tadepalligudem的农业流域生成准确的作物类型地图.
• 评估和比较四个机器学习算法 (梯度树提升,分类和回归树,支持矢量机器和随机森林) 的作物类型分类的性能.
• 为了证明Sentinel-2最绿色的像素组合和谷歌地球引擎 (GEE) 在有效农业监测中的实用性.

主要方法:

• 采用 Sentinel-2 最绿色的像素复合物,以减轻光学卫星数据中的云和影子问题.
• 利用谷歌地球引擎 (GEE) 来处理卫星图像,并为哈里夫和拉比季节生成作物类型地图.
• 收集了地面真实数据,将其分成70:30比,用于训练和测试四种机器学习算法:梯度树提升,分类和回归树,支持向量机器和随机森林.

主要成果:

• 最绿色的像素复合法有效地识别和绘制了作物类型,即使在艰难的哈里夫季节,即使在小水域.
• 与其他测试过的算法相比,随机森林 (RF) 算法表现出更高的性能,在两个季节实现了93.21%的平均整体准确率和0.89的kappa系数.
• 谷歌地球引擎 (GEE) 证明是一个强大的云计算平台,用于使用卫星数据进行自动化农业监测,需要最小的计算资源.

结论:

• 卫二最绿色的像素组合,结合机器学习,为准确的作物类型绘制提供了强大的方法,克服了常见的卫星数据限制.
• 随机森林算法在农业流域的作物分类中非常有效,提供高精度和可靠性.
• 谷歌地球引擎为可扩展和高效的农业监测提供便利,可及时准确地绘制作物图,以改善农业管理.