Разработка алгоритма классификации данных спутникового зондирования на основе машинного обучения на примере гранулометрического состава почв агроландшафтов Западной Сибири В. В. Чурсин, И. В. Кужевская, О. Э. Мерзляков [и др.]
Material type: ArticleContent type: Текст Media type: электронный Other title: Design of satellite sensing data classification algorithm based on machine learning using the example of granulometric composition of soils in agricultural landscapes of Western Siberia [Parallel title]Subject(s): данные дистанционного зондирования Земли | алгоритмы машинного обучения | гранулометрический состав почв | земли сельскохозяйственного назначения | модели бинарной классификации | карты пространственной неоднородности почвенного покроваGenre/Form: статьи в журналах Online resources: Click here to access online In: Современные проблемы дистанционного зондирования Земли из космоса Т. 18, № 2. С. 39-50Abstract: В статье рассмотрена возможность использования данных дистанционного зондирования Земли с космического аппарата Sentinel-2 и алгоритмов машинного обучения для классификации при создании карт пространственной неоднородности почвенного покрова по гранулометрическому составу земель сельскохозяйственного назначения, а также использования этих карт в точном земледелии. На основе полевых исследований был собран массив данных, включающий спутниковые снимки со значением NDVI менее 0,3 и дополнительно рассчитанные индексы, в том числе связанные со спектральной яркостью (чувствительные к гранулометрическому составу), для обучения и тестирования моделей бинарной классификации, основанных на деревьях решений. Были обучены четыре модели бинарной классификации, использующие алгоритм XGBoost. Подобраны оптимальные значения гиперпараметров для этих моделей и определены наиболее значимые переменные для классификации каждого типа почв. Предложена архитектура нейронной сети, которая в качестве входных данных использует значения спектральной отражаемости, расчётных индексов и результатов бинарной классификации. Точность методики на валидационной выборке составила 76 %.Библиогр.: 21 назв.
В статье рассмотрена возможность использования данных дистанционного зондирования Земли с космического аппарата Sentinel-2 и алгоритмов машинного обучения для классификации при создании карт пространственной неоднородности почвенного покрова по гранулометрическому составу земель сельскохозяйственного назначения, а также использования этих карт в точном земледелии. На основе полевых исследований был собран массив данных, включающий спутниковые снимки со значением NDVI менее 0,3 и дополнительно рассчитанные индексы, в том числе связанные со спектральной яркостью (чувствительные к гранулометрическому составу), для обучения и тестирования моделей бинарной классификации, основанных на деревьях решений. Были обучены четыре модели бинарной классификации, использующие алгоритм XGBoost. Подобраны оптимальные значения гиперпараметров для этих моделей и определены наиболее значимые переменные для классификации каждого типа почв. Предложена архитектура нейронной сети, которая в качестве входных данных использует значения спектральной отражаемости, расчётных индексов и результатов бинарной классификации. Точность методики на валидационной выборке составила 76 %.
There are no comments on this title.