समान स्पेक्ट्रल सिग्नेचर वाले भूमि कवर प्रकारों के पृथक्करण के लिए ऑप्टिकल टाइम सीरीज़: कोको एग्रोफॉरेस्ट और वन

रिमोट सेंसिंग (RS) में मशीन लर्निंग (ML) के मुख्य उपयोगों में से एक उपग्रह छवियों को भूमि कवर प्रकारों में पिक्सेल-स्तरीय वर्गीकरण करना है। हालांकि विभिन्न स्पेक्ट्रल सिग्नेचर वाले वर्गों को आसानी से पृथक किया जा सकता है, जैसे जलवायु और स्थलीय भूमि कवर प्रकार, अन्य समान स्पेक्ट्रल सिग्नेचर रखते हैं और केवल एक पिक्सेल की जानकारी का उपयोग करके उन्हें पृथक करना कठिन होता है। यह कार्य समान स्पेक्ट्रल सिग्नेचर वाले दो भूमि कवर प्रकारों, कोको एग्रोफॉरेस्ट और जंगल, के पृथक्करण पर केंद्रित है, जो ब्राजील के पारा क्षेत्र में स्थित है। इसके लिए, हम एक ही समग्र छवि से प्राप्त डेटा सेट्स पर कई ML एल्गोरिदम के प्रशिक्षण और अनुप्रयोग का अध्ययन करते हैं, एक टाइम-सीरीज़ (TS) समग्र जो उसी स्थान से प्राप्त हुआ है और TS समग्र को सरल TS पूर्व-प्रसंस्करण तकनीकों का उपयोग करके पूर्व-प्रसंस्कृत किया गया है। जैसा कि अपेक्षित था, जब ML एल्गोरिदम को एक समग्र छवि से प्राप्त डेटा सेट पर लागू किया जाता है, तो उन दो वर्गों में मध्य उत्पादक की सटीकता (PA) और उपयोगकर्ता की सटीकता (UA) सभी वर्गों के लिए मध्य समग्र सटीकता (OA) की तुलना में काफी कम होती है। दूसरा डेटा सेट ML मॉडलों को स्पेक्ट्रल सिग्नेचर के विकास को 5 महीनों में सीखने की अनुमति देता है। पहले डेटा सेट की तुलना में, परिणाम सूचित करते हैं कि ML मॉडल TS डेटा का उपयोग करते समय बेहतर सामान्यीकृत होते हैं, भले ही श्रृंखला छोटी और बिना किसी पूर्व-प्रसंस्करण की हो। यह सामान्यीकरण अंतिम डेटा सेट में और बेहतर किया गया है। ML मॉडल को विभिन्न भौगोलिक सीमाओं वाले क्षेत्र पर लागू किया जाता है। ये अंतिम परिणाम सूचित करते हैं कि, सात वर्गीकर्ताओं में से, लोकप्रिय रैंडम फॉरेस्ट (RF) एल्गोरिदम चौथे स्थान पर है, जबकि XGBoost (×GB) ने सर्वश्रेष्ठ परिणाम प्राप्त किए। सबसे अच्छा OA, साथ ही सबसे अच्छा PA/UA संतुलन, M3GP एल्गोरिदम का उपयोग करके विशेषता निर्माण करके और फिर नए विस्तारित डेटा सेट पर XGB लागू करके प्राप्त हुआ।