科研之友
微信
新浪微博
Facebook
分享链接
摘要
【目的 】机器学习模型在农作物分类研究领域有着较高精度，但如何利用历史样本用于当前时间的作物分类是一个难点。迁移学习的核心思想在于找到已有数据与新数据之间的相似性，文章旨在探索迁移学习方法使用历史样本进行作物分类的可靠性。【方法 】该文以嫩江市为研究区域，基于实地采样数据与遥感数据，用随机森林（Random Forest,RF）分类器，结合多种遥感指数，对2020—2021年嫩江市玉米与大豆种植区域进行分类；利用动态时间规整方法，以2020—2021年实地采样数据生成2022年的分类样本，用RF对2022年嫩江市的玉米与大豆种植区域进行分类。【结果 】（1）对2020—2021年玉米与大豆种植区域进行分类，RF的平均总体精度达到97.8%。（2）对动态时间规整方法生成的2022年玉米与大豆种植区域进行分类，RF的总体精度达到87.5%。【结论 】基于迁移学习的作物识别方法达到较高精度，具有实践意义，可提高历史时期样本的利用效率。
- 单位
