《表5 机器学习分类算法：无人机遥感的农作物精细分类研究进展》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《无人机遥感的农作物精细分类研究进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：NB为朴素贝叶斯，KNN为K最近邻法，ANN为人工神经网络，CNN-CRF为基于条件随机场的卷积神经网络，Ada Boost为自适应提升算法

随着计算机技术的发展，机器学习方法被广泛应用到遥感影像分类研究中，包括支持向量机（Support vector machine，SVM）、随机森林（Random forest，RF）、卷积神经网络（Convolutional neural network，CNN）等。表5列出了近年来国内外无人机遥感农作物分类研究使用的机器学习算法。从表5可以看出SVM和RF算法是无人机遥感农作物分类常用的机器学习算法，分类精度较好。SVM算法具有较好的抗噪性、适应性，适合小样本学习，如Pérez-Ortiz[34]等基于无人机可见光影像，采用SVM算法识别向日葵田间杂草，识别精度达95.5%。RF算法泛化能力强，数据挖掘能力好，在处理类别庞杂且类间异质性小的高维数据上表现优良。Zhao[41]等使用Sentinel-2A数据同无人机可见光影像融合，利用RF、SVM和NN（神经网络）算法对水稻、玉米、大豆、荞麦等10种地物分类，结果表明RF算法分类结果最准确，总体分类精度为88.32%。随着深度学习技术的迅速发展，近年来，国内外学者开始关注于使用深度学习算法提高无人机遥感农作物分类精度，其中以CNN算法最为常用。CNN算法能自动学习图像本质、抽象的特征，避免了传统方法中人工特征选取的繁琐流程，可有效提高农作物分类精度。如Hu[61]等将CNN与条件随机场（Conditional random fields，CRF）模型相结合对洪湖市的17种农作物分类，结果表明CRF-CNN算法分类精度最高，优于SVM、CNN算法。