Сочинение на тему Идентификация растительного покрова и типа сельскохозяйственных культур с использованием классификатора KNN в изображении SAR
- Опубликовано: 02.10.2020
- Предмет: Наука
- Темы: сельское хозяйство
Земной покров относится к поверхностному покрытию на земле, будь то растительность, городская инфраструктура, вода, голая почва или другое. Выявление, разграничение и картирование растительного покрова важно для исследований глобального мониторинга, управления ресурсами и планирования. Информация о мониторинге сельскохозяйственных культур является наиболее важной для обеспечения продовольственной безопасности и помогает улучшить наши знания о роли сельского хозяйства в изменении климата и определении типа сельскохозяйственных культур. Эта работа посвящена автоматизированной системе классификации KNN для определения земного покрова и типа культур на изображениях с помощью радиолокатора с синтезированной апертурой (SAR). В первом модуле для идентификации типа земли используется неконтролируемая нейронная сеть Кохонена для самоорганизации карт (SOM).
Во втором модуле извлекаются элементы, основанные на локальном двоичном шаблоне (LBP), для определения типа культуры в покрытой области. Извлеченные признаки передаются классификатору KNN, который классифицирует тип культуры. Введение Сельское хозяйство является основной опорой индийской экономики, где около 70% населения зависит от сельского хозяйства. В сельском хозяйстве такие параметры, как навес, урожайность и качество продукта, были важными показателями с точки зрения фермеров (Viraj et al, 2012). Индия является страной-производителем многих культур. Основные культуры в Индии можно разделить на четыре категории, а именно. Продовольственные зерна, товарные культуры, плантационные культуры и садовые культуры. Изучение многоступенчатых и глубоких представлений для классификации изображений, полученных с помощью дистанционного зондирования (Zhao et al 2016). Растительный покров относится к поверхностному покрытию на земле, будь то растительность, городская инфраструктура, вода, голая почва или другие. Выявление, разграничение и картирование растительного покрова важно для исследований глобального мониторинга, управления ресурсами и планирования. Идентификация земного покрова устанавливает базовую линию, с которой могут быть выполнены действия по мониторингу (обнаружение изменений), и предоставляет информацию о земном покрове для базовых тематических карт. Информация о мониторинге урожая является наиболее важной для обеспечения продовольственной безопасности и помогает улучшить наши знания о роли сельского хозяйства в изменении климата, идентификации типа сельскохозяйственных культур, растительного покрова и т. Д. (Ajay et al 2012)
Измерение типов культур приводит к числовым описаниям культур, помогает определить проблему, достаточно большую, чтобы ее решить, или достаточно маленькую, чтобы ее можно было игнорировать. Трехмерная модель FE на основе CNN с комбинированной регуляризацией для выделения эффективных спектрально-пространственных характеристик гиперспектральных изображений. Предложенный 3-D глубокий CNN, чтобы обеспечить превосходную классификацию производительности в условиях ограниченных обучающих образцов. Проектирование надлежащих глубоких моделей CNN довольно сложно. Nataliia Kussul1 и др. (2016) предложили методологию для решения крупномасштабных задач классификации и оценки области в области дистанционного зондирования на основе парадигмы глубокого обучения. Он основан на иерархической модели, которая включает в себя самоорганизующиеся карты (SOM) для предварительной обработки и сегментации данных (кластеризация), ансамбль многослойного восприятия (MLP) для классификации данных и объединения разнородных данных и геопространственного анализа для постобработки. ,
Ансамбль методов (подход «смесь экспертов») должен использоваться для использования преимуществ различных методов и методов обработки. Обработка функции ядра в кластеризации более сложна по времени. Кристофер МакКул и др. (2016) предложили новую систему обнаружения урожая, примененную для решения сложной задачи по обнаружению сладкого перца (паприки). Полевой урожай сладкого перца представляет несколько проблем для роботизированных систем, таких как высокая степень окклюзии и тот факт, что урожай может иметь цвет, аналогичный фону (зеленый на зеленом). Чтобы преодолеть эти проблемы, они предложили двухэтапную систему, которая выполняет сегментирование на пиксель с последующим обнаружением области. Преимущество этого подхода заключается в обеспечении устойчивости к окклюзии (поскольку элементы взяты только из небольшого региона), а также в минимизации объема трудоемких аннотаций (поскольку необходимо аннотировать только класс культур). Точность сегментации урожая низкая ,
Адриана Ромеро и др. (2016) Предложил мудрое предварительное обучение на уровне Greedy в сочетании с высокоэффективным алгоритмом неконтролируемого изучения разреженных функций. Алгоритм основан на разреженном представлении и обеспечивает дефицит как извлеченных, так и жизненных факторов. одновременно. Преимущество использования пространственной информации заключается в объединении большого количества выходных объектов и шагов максимального объединения в глубоких архитектурах, что имеет решающее значение для достижения превосходного результата. Чтобы получить доступ к обобщению закодированных функций в мультитемпоральных и многолетних настройках изображения, J. Théau et at (2016) описывает этот обзор методов обнаружения изменений, применяемых к наблюдениям Земли, и он использовал такую методологию, как различие изображений, анализ главных компонентов, сравнение после классификации, технология обнаружения изменений. Основным преимуществом статьи является то, что алгоритмы обнаружения изменений имеют свои достоинства, и ни один из подходов не является оптимальным и применимым во всех случаях.
Выбор данных – это важный шаг в обнаружении изменений. Резюме Традиционные алгоритмы неконтролируемой классификации, такие как классификация по максимальному правдоподобию, используют методы кластеризации для определения спектрально отличных групп данных и являются самым ранним подходом автоматической классификации земного покрова, в котором использовались методы распознавания образов. Недостаток этих алгоритмов заключается в том, что точность классификации земного покрова не гарантируется, а классификации земного покрова являются произвольными. Контролируемые методы классификации требуют значительного опыта и участия человека при отборе обучающих образцов. Поэтому на результат классификации земельного покрова сильно влияют участники классификации, и невозможно автоматически классифицировать земной покров этими методами.
Кроме того, алгоритмы, такие как классификация нейронных сетей и классификация нечеткой логики, очень сложны в своей основе алгоритма, что затрудняет их понимание и широкое применение. Методы классификации дерева решений широко используются на больших территориях, таких как глобальное картирование земного покрова. Основная проблема, представленная классификацией дерева решений, заключается в построении дерева решений и назначении пороговых значений для каждого подузла, которое сильно зависит от опыта человека и варьируется в пространстве и во времени. Предлагаемая работа. Предложенная архитектура системы. Предложенная архитектура классификации растительного покрова и типа культур показана на рисунке 3.1. Различные шаги предлагаемой работы объяснены в этом разделе. Входные изображения, полученные из SAR, удовлетворяют требованиям качества, необходимым для идентификации растительного покрова и типа культур. На первом этапе предлагаемой работы входное изображение сегментируется с использованием метода на основе карты самоорганизации (SOM).
Методы карт самоорганизации – это тип искусственной нейронной сети, которая обучается с использованием обучения без контроля для получения низкоразмерного представления входного пространства обучающих выборок. Он отличается от других искусственных нейронных сетей тем, что они применяют конкурентное обучение в отличие от обучения с исправлением ошибок и в том смысле, что они используют функцию соседства для сохранения топологических свойств входного пространства. Самоорганизующаяся карта – это метод обучения без контроля, который формирует нелинейное отображение многомерного входного пространства в типично двумерную сетку искусственных нейронных сетей. В picSOM отдельный SOM обучается для каждого типа функции. Хотя это отображение, векторы объектов, которые находятся рядом друг с другом во входном пространстве, отображаются в соседних единицах на карте. Следовательно, изображения, которые взаимно схожи по заданным характеристикам, расположены рядом друг с другом в СДЛ.
Индия – это сельскохозяйственная развивающаяся страна. Экономический вклад Индии в сельское хозяйство в ВВП уменьшается вместе с общим экономическим ростом страны. Некоторые проблемы в реальном
Большинство людей считают пищу органической, если она выращена без использования пестицидов и других химических веществ. Хотя этот взгляд на органические продукты питания технически верен, необходимо
Органические зерновые культуры: настоящее устойчивое сельское хозяйство Сельское хозяйство значительно расширилось в науке и улучшило методы экспоненциально в течение прошлого столетия. Это фактически произвело революцию