PulseAugur
中
实时 10:49:45
English(EN) Intercomparison of Machine Learning Algorithms for Remote Sensing-based In-season Crop Mapping

机器学习利用卫星数据进行作物季内测绘

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种利用机器学习算法和卫星图像进行作物季内测绘的方法。该方法旨在为粮食安全提供及时的作物信息，这对于应对气候变化的影响至关重要。该研究比较了十种不同的机器学习算法，发现支持向量机表现最佳，在杏仁测绘中达到了 0.74 的 F1 分数，在玉米测绘中达到了 0.59 的 F1 分数。 AI

影响 能够更及时地监测农业并应对与气候相关的作物威胁。

排序理由 该集群包含一篇详细介绍新研究方法和发现的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · August Posch, Jitendra Kumar, Forrest M. Hoffman, Auroop R. Ganguly ·

    基于遥感的作物生长季制图的机器学习算法的相互比较

    arXiv:2606.05731v1 Announce Type: new Abstract: In-season crop type mapping is critical for food security in the face of increasingly extreme climate-related threats to crops. Currently, the USDA Cropland Data Layer provides crop type labels at 30m resolution and is available the…

相关实体

相关话题