دراسة مقارنة التعلم الآلي في التصنيف الفعال للبيانات متعددة الأطياف في الزراعة

Abstract

يتطلب أن تكون خرائط محاصيل موثوقة ودقيقة لتحقيق الأمن الغذائي من المستوى الإقليمي إلى المستوى العالمي. يؤدي التوفر المتزايد لصور الأقمار الصناعية إلى مشكلة "البيانات الضخمة" أثناء إنتاج خرائط المحاصيل. الآن، اكتسبت المنصات السحابية الكثير من الاهتمام لتصنيف المحاصيل في مناطق واسعة. الهدف الرئيسي من البحث هو تحليل تصنيف المحاصيل باستخدام مختلف التعلم الآلي (ML) مثل آلة دعم المتجهات (SVM)، وتعزيز شجرة التدرج (GTB)، والغابات العشوائية (RF)، وشجرة القرار (DT) بالإضافة إلى التصنيف والتصنيف. أشجار الانحدار (CART) على منصة محرك Goggle Earth. الهدف هو استكشاف كفاءة محرك Google Earth (GEE) عند تصنيف المحاصيل المختلفة باستخدام مجموعات البيانات متعددة الأطياف من Sentinel 2 MSI بالإضافة إلى الأقمار الصناعية Landsat 8 OLI لرسم خرائط المحاصيل في منطقة ماثورا في ولاية أوتار براديش بالهند. تم استخدام أفضل صورة خالية من السحابة (أقل من 5%) لمجموعات بيانات Landsat 8 OLI وSentinel 2 MSI ("2020-12-26"، و"2020-12-30") لتصنيف المحاصيل بمساعدة التصفية التلقائية، أي النسبة المئوية. الملكية السحابية على منصات GEE. علاوة على ذلك، يمكن تنظيم أداء منصة GEE والحصول عليها وتوضيحها وكذلك معالجتها المسبقة لمجموعة بيانات الأقمار الصناعية بقوة كبيرة. تم استخدام النقاط كمساحات مميزة مثل مجموعات بيانات التدريب. علاوة على ذلك، يتم استخدام مصفوفات الارتباك لتقييم الدقة (دقة المنتج والمستخدم) ومعامل كابا. بالإضافة إلى ذلك، قم بمقارنة نتائج مجموعة البيانات (Sentinel 2 MSI وLandsat 8 OLI) على أساس الدقة الإجمالية (OA) ودرجة F1 بالإضافة إلى معامل كابا. تم العثور على أعلى وصول حر باستخدام GTB (86.7%) يليه RF (82.5%)، CART (81.0%)، DT (78.1%) وSVM (66.5%) لصورة Landsat 8 OLI. بالنسبة لصورة Sentinel 2، حققت GTB أعلى وصول وصول بنسبة 84.2% يليها SVM (84%)، RF (82.3%)، DT (75.2%)، وCART (75.0%) على التوالي. على أساس البحث، وجد أن أداء GTB كان جيدًا بين جميع المصنفات في رسم خرائط المحاصيل باستخدام مجموعتي البيانات متعددة الأطياف.