科研人员在叶片光谱物种识别研究取得进展 |
近日,广东省科学院广州地理研究所自然地理部袁少雄等科研人员通过将一维光谱重塑成二维图像,利用卷积神经网络(CNN)实现了更高精度的植物物种识别。相关研究发表于Remote Sensing。
该研究收集了来自全球五个实验室的高光谱数据,侧重于通过将一维结构化高光谱数据重塑为二维灰度图像,测试CNN 模型在物种识别中的通用性能,并与深度交叉神经网络 (DCN)、支持向量机(SVM)、随机森林、梯度提升机和决策树模型在叶级高光谱数据的个体树种分类中的性能进行对比。
与支持向量机相比,性能最佳的 CNN 模型的验证准确率为 98.6%,预测准确率为 91.6%,精度为 74.9%,SVM 分别为 98.6%、88.8% 和 66.4%,DCN 分别为 94.0%、85.7% 和 57.1%。与参考模型相比,CNNs 识别 Fagus crenata 的效率更高,并且在 Quercus rubra 识别中具有较高的准确率。
研究成果显示,将一维数据重塑为二维图像的方式可能是更好利用叶片级别高光谱数据预测物种的关键,为基于高光谱数据的物种分类方法提供了一个新方向。
相关研究工作得到广东省科学院建设国内一流研究机构行动专项资金项目、广东省山区特色农业资源保护与精准利用重点实验室2020年度开放基金的支持,在日本国立法人静岡大学农学部广域生态学实验室完成。
相关论文信息:https://doi.org/10.3390/rs14163972
(资料图)
近日,广东省科学院广州地理研究所自然地理部袁少雄等科研人员通过将一维光谱重塑成二维图像,利用卷积神经网络(CNN)实现了更高精度的植物物种识别。相关研究发表于Remote Sensing。
该研究收集了来自全球五个实验室的高光谱数据,侧重于通过将一维结构化高光谱数据重塑为二维灰度图像,测试CNN模型在物种识别中的通用性能,并与深度交叉神经网络 (DCN)、支持向量机(SVM)、随机森林、梯度提升机和决策树模型在叶级高光谱数据的个体树种分类中的性能进行对比。
与支持向量机相比,性能最佳的 CNN模型的验证准确率为 98.6%,预测准确率为 91.6%,精度为 74.9%,SVM 分别为 98.6%、88.8% 和 66.4%,DCN 分别为 94.0%、85.7% 和 57.1%。与参考模型相比,CNNs 识别Fagus crenata 的效率更高,并且在 Quercus rubra识别中具有较高的准确率。
研究成果显示,将一维数据重塑为二维图像的方式可能是更好利用叶片级别高光谱数据预测物种的关键,为基于高光谱数据的物种分类方法提供了一个新方向。
相关研究工作得到广东省科学院建设国内一流研究机构行动专项资金项目、广东省山区特色农业资源保护与精准利用重点实验室2020年度开放基金的支持,在日本国立法人静岡大学农学部广域生态学实验室完成。
相关论文信息:https://doi.org/10.3390/rs14163972
热门