《表4 基于机器学习方法的极化SAR农作物分类》

  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

《极化SAR农作物分类研究进展》

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：PSO指粒子群，OWN(Optimized Wishart Net）指Gadhiya等提出的一种单隐藏层优化的Wishart网络

表4列出了近年来国内外采用机器学习方法进行的极化SAR农作物分类研究，包括使用的数据和分类算法及分类精度等。从表4可以看出，在光学影像分类中应用成熟的各种分类器，也在逐步结合不同的目标分解方法应用于极化SAR影像分类中，包括DT、SVM等。SVM和RF是极化SAR农作物分类中最常用的方法，在实际应用中，总体精度普遍达到90%。其中SVM分类最为突出，部分研究[39，48]使用SVM方法甚至达到95%以上的精度。与SVM相比，RF需要定义的参数更少，计算效率较高，在农作物分类研究中也取得了不错的效果。