典型文献
不同方法对冬小麦地块级估产的适用性研究
文献摘要：
为了探究不同估产模型对冬小麦估产的精度和适用性,提高像元级和地块级冬小麦估产精度.利用机器学习方法支持向量机(SVM)模型、随机森林(RF)模型和深度学习方法长短期记忆(LSTM)模型,对冬小麦进行产量预估.结果表明:在像元级上,LSTM模型、RF模型估产精度高于SVM模型,LSTM模型不仅能够表征作物在生育期的生长变化,还能降低人为因素干扰,估产结果更加客观真实,而SVM模型、RF模型易受到特征共线性和过拟合的影响,因此SVM模型、RF模型更适用于区域性小范围估产.在地块级上,SVM模型、RF模型和LSTM模型地块级估产精度比像元级估产精度均有提高,且LSTM模型估产精度明显高于SVM模型和RF模型,因此LSTM模型更适用于地块级估产,且LSTM模型泛化能力强、普适性高,适用于大范围农作物估产.
文献关键词：
冬小麦;机器学习;深度学习;长短期记忆网络方法
中图分类号：
作者姓名：
柳琳;徐鹏;王哲奇
作者机构：
正元地理信息集团股份有限公司,北京100000;绍兴市上虞区规划管理服务中心,浙江 绍兴321300
文献出处：
引用格式：
[1]柳琳;徐鹏;王哲奇-.不同方法对冬小麦地块级估产的适用性研究)[J].北京测绘,2022(02):156-161
A类：
长短期记忆网络方法
B类：
不同方法,麦地,地块,适用性研究,估产模型,冬小麦估产,机器学习方法,RF,深度学习方法,产量预估,生育期,生长变化,人为因素,客观真实,共线性,过拟合,小范,模型泛化,泛化能力,农作物估产
AB值：
0.234215
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
