基于高斯贝叶斯模型与神经网络对NASA高光谱卫星影像USGS GHISACONUS数据进行的作物类型分类
计算机视觉与模式识别
2022-07-25 v1 人工智能
应用统计
机器学习
摘要
高光谱成像是一种数字成像技术，其中每个像素通常包含数百个光波长，提供关于像素中材料的光谱信息。本文针对USGS GHISACONUS数据提供确定作物类型的分类方法，该数据包含由NASA Hyperion卫星采集的约7,000条像素光谱，来自美国五种主要农作物（冬小麦、水稻、玉米、大豆和棉花），每条像素含光谱、地理位置、作物类型与生长阶段。我们应用标准LDA与QDA，以及计算作物类型与阶段联合概率再求作物类型边缘概率的贝叶斯自定义版本，其性能优于非贝叶斯方法。我们还测试了带dropout的单层神经网络，其表现与LDA和QDA相当但不及贝叶斯方法。
引用
@article{arxiv.2207.11228,
title = {Classifying Crop Types using Gaussian Bayesian Models and Neural Networks on GHISACONUS USGS data from NASA Hyperspectral Satellite Imagery},
author = {Bill Basener},
journal= {arXiv preprint arXiv:2207.11228},
year = {2022}
}