Разработка алгоритма классификации данных спутникового зондирования на основе машинного обучения на примере гранулометрического состава почв агроландшафтов Западной Сибири

doi:10.21046/2070-7401-2021-18-2-39-50

Эндаумент фонд ТГУ!
Впиши своё имя в историю университета
- Сделать пожертвование -

Add to "Quick Collection"

Description	Size	Format
Разработка алгоритма классификации данных спутникового зондирования на основе машинного обучения на примере гранулометрического состава почв агроландшафтов Западной Сибири	2 MB	Adobe Acrobat PDF	Read	Download
DOI Доступ к ресурсу на сайте издателя			10.21046/2070-7401-2021-18-2-39-50

#данные дистанционного зондирования Земли

#алгоритмы машинного обучения

#гранулометрический состав почв

#земли сельскохозяйственного назначения

#модели бинарной классификации

#карты пространственной неоднородности почвенного покрова

Title: Разработка алгоритма классификации данных спутникового зондирования на основе машинного обучения на примере гранулометрического состава почв агроландшафтов Западной Сибири
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
Creator: Чурсин, Владислав Вячеславович
|
Кужевская, Ирина Валерьевна
|
Мерзляков, Олег Эдуардович
|
Валевич, Татьяна Олеговна
|
Ручкина, Кристина Владимировна
Date: 2021
DOI: 10.21046/2070-7401-2021-18-2-39-50
Description: 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 %.

Relationships: Show Relationship Browser for this Object
collection(s): Геолого-географический факультет | Институт биологии, экологии, почвоведения, сельского и лесного хозяйства (Биологический институт)
Identifier: смотреть в электронном каталоге НБ ТГУ
Type: статьи в журналах
Source: Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18, № 2. С. 39-50
Language: rus

Created: 17-02-2022

1097 Visitors

859 Hits

268 Downloads

Институт биологии, экологии, почвоведения, сельского и лесного хозяйства (Биологический институт)

Геолого-географический факультет Разработка алгоритма классификации данных спутникового зондирования на основе машинного обучения на примере гранулометрического состава почв агроландшафтов Западной Сибири