남아프리카 람사르 습지에서 재샘플링된 nSight-2 하이퍼스펙트럼 데이터를 사용하고 다양한 기계 학습 분류기를 통해 습지 식물 종을 구분하기

초록 종 수준에서 습지 생태계를 매핑하는 것은 영양소 순환, 탄소 격리, 수조 유지 및 정화, 폐기물 처리 및 오염 관리를 이해하는 데 중요한 정보를 제공합니다. 그러나 습지 생태계는 기후 변동과 변화, 인위적인 활동에 의해 위협받고 있으며, 따라서 이들의 평가와 모니터링은 적절한 관리 개입을 알리기 위해 매우 중요해졌습니다. 현대 연구에서는 위성 기반 지구 관측(EO)이 이 작업을 수행하는 데 상당한 잠재력을 가지고 있음을 보여줍니다. 많은 다채널 EO 데이터가 무료로 즉시 사용 가능한 반면, 넓은 스펙트럼 밴드는 유사한 식물 종 간의 미세한 차이를 구별하는 데 한계를 둡니다. 대조적으로, 하이퍼스펙트럼 데이터는 높은 스펙트럼 해상도를 가지며 유사한 식물 종 간의 미세한 차이를 식별하는 데 우수합니다. 그러나 이 데이터는 높은 차원성과 다중공선성과 연관되어 있어 전통적인 모수 분류 알고리즘의 성능에 부정적인 영향을 미칩니다. 이런 이유로 기계 알고리즘이 다양한 데이터 분포와 노이즈에 대한 강건성 덕분에 하이퍼스펙트럼 데이터를 분류하는 데 선호됩니다. 현재 연구에서는 SVM(서포트 벡터 머신), RF(랜덤 포레스트), PLS-DA(부분 최소 제곱 판별 분석)의 세 가지 고급 기계 학습 분류기의 성능을 비교하여 Crocosmia sp., Grasses, Agapanthus sp. 및 Cyperus sp.의 네 가지 주요 습지 식물 종을 구분하기 위해 다가오는 센서인 nSight-2에서 시뮬레이션한 하이퍼스펙트럼 데이터를 사용했습니다. 그 결과 SVM이 전체 정확도 93.18%(종별 정확도 > 85%)로 우수한 것으로 나타났습니다. 반면, RF와 PLS-DA의 성능에는 약간의 차이가 있었으며, 각각 84.09%와 83.63%였습니다. 전반적으로 평가된 모든 분류기가 수용 가능한 매핑 정확도를 달성할 수 있다는 결과가 나타났습니다. 그러나 SVM은 더 강건하며 뛰어난 정확성을 제공하므로 센서가 우주에 위치할 때 운영 매핑을 위해 고려되어야 합니다.