International Journal of Emerging Trends in Engineering and Development·10月2日 · 周五论文农业遥感与作物表型阅读 2
Comparative Performance of Machine Learning and Deep Learning Algorithms for Agricultural Land Mapping in Anambra State, Nigeria
J.I. Igbokwe, C.E Ejikeme, J.O and Obi
International Journal of Emerging Trends in Engineering and DevelopmentDOI 10.5281/zenodo.23106955开放获取 PDF ↗
论文解读
61接近精选线
速览
比较RF、SVM、ANN、CNN在尼日利亚农业用地制图中的表现
方法
遥感影像分类，210个验证样本，多种混淆矩阵指标评估
发现
SVM总体精度最高（83.3%），CNN最低（74.3%），模型复杂度不保证性能
机会点
在碎片化热带景观中，可探索轻量级集成学习或迁移学习以平衡精度与效率
影响力8
信息增量20
专业深度16
信源权威8
时效性9
尼日利亚区域案例研究，方法对比扎实但影响范围限于学术圈，可作为遥感与农业AI主题的参考素材。
原文摘要
摘要——准确划定农业用地是农业规划、粮食安全评估、土地资源管理和土地利用变化监测的基础。然而，尼日利亚东南部农业景观的异质性和破碎化特征给卫星图像分类带来了巨大挑战。本研究比较评估了随机森林（RF）、支持向量机（SVM）、人工神经网络（ANN）和卷积神经网络（CNN）在尼日利亚阿南布拉州农业用地制图中的表现。利用这四种算法将遥感影像分类为水体、密林、农业用地、建成区和裸地。使用210个验证样本和多种混淆矩阵指标评估模型性能，包括灵敏度、精确率、特异度、阴性预测值、总体精度、平衡精度和马修斯相关系数。农业用地估计值从SVM的1,000.26 km²（21.78%）到ANN的1,099.12 km²（23.93%）不等。SVM取得了最强的总体表现，灵敏度为88.5%，精确率为85.2%，特异度为75.0%，总体精度为83.3%，平衡精度为81.7%，马修斯相关系数为0.643。CNN的总体精度最低，为74.3%。研究结果表明，模型复杂度的增加并不必然带来更优的分类性能，并确立了SVM作为异质性热带景观条件下区域农业用地划定的有效方法。关键词：农业用地制图；机器学习；深度学习；支持向量机；随机森林；人工神经网络；卷积神经网络；遥感