一种通过卫星图像处理监测水稻生长的新型聚类算法

《ACM Transactions on Sensor Networks》：A Novel Clustering Algorithm for Monitoring Paddy Growth Through Satellite Image Processing.

水稻监测中水源短缺、化肥成本高及土壤退化问题，本研究提出深度学习辅助聚类算法（DLCA）结合CNN技术提升作物识别精度，实验误差率仅0.03%且准确率达98.52%。

　　

摘要

在农业领域，水稻作物监测起着至关重要的作用，因为它有助于保障粮食安全。通过遥感技术获取的卫星图像进行水稻作物监测时，遇到的困难包括水资源短缺、化肥成本高昂以及土壤退化等问题。本研究开发了一种基于深度学习方法的聚类算法（DLCA），该算法有助于改进水稻生长情况的识别过程，并提高农业活动的透明度。卷积神经网络（CNN）被用于识别作物生长情况，从而有助于了解特定作物的滴灌系统和水资源短缺问题。实验研究表明，所提出的模型在通过卫星图像监测水稻作物生长、土壤状况、化肥成本以及土壤退化方面表现更为出色。总体而言，实验结果表明，该DLCA方法的错误率较低（为0.03%），准确率高达98.52%，均值精度（MCC）为98.43%，F1分数为99.02%，优于其他常用方法。