AgnesSensei.com — Sagu (Metroxylon sagu) adalah spesies pohon palma yang berasal dari Indonesia.
Di masa depan, pohon penghasil pati ini akan memainkan peran penting dalam ketahanan pangan dan keanekaragaman hayati.
Pemerintah daerah telah mulai menekankan pembangunan berkelanjutan perkebunan sagu; oleh karena itu, mereka memerlukan informasi geospasial hampir waktu nyata mengenai tegakan sagu.
Kami mengembangkan skema klasifikasi semi-otomatis untuk pemetaan sagu menggunakan pembelajaran mesin dalam kerangka analisis citra berbasis objek dengan citra Pleiades-1A.
Selain informasi spektral, fitur aritmetika, geometrik, dan tekstural digunakan untuk meningkatkan akurasi klasifikasi.
Recursive feature elimination diterapkan pada sampel untuk menentukan peringkat pentingnya 26 fitur masukan.
Support Vector Machine (SVM) digunakan untuk melakukan klasifikasi dan menghasilkan akurasi keseluruhan tertinggi sebesar 85,00% setelah memasukkan delapan fitur terpenting, termasuk tiga fitur spektral, tiga fitur aritmetika, dan dua fitur tekstural.
Klasifikator SVM menunjukkan pemodelan yang normal hingga fitur kedelapan yang paling penting.
Menurut hasil uji McNemar, penggunaan tujuh hingga 14 fitur teratas memberikan akurasi klasifikasi yang lebih baik.
Signifikansi penelitian ini adalah pengungkapan fitur-fitur paling penting dalam mengenali pohon sagu di antara spesies pohon serupa lainnya.(*)
***
Pengarang: Sarip Hidayat, Masayuki Matsuoka, Sumbangan Baja, Dorothea Rampisela
Tanggal terbit : 2018/8
Jurnal : Remote Sensing
Jilid : 10
Terbitan : 8
Halaman : 1319
Penerbit : Multidisciplinary Digital Publishing Institute
Deskripsi :
Sago palm (Metroxylon sagu) is a palm tree species originating in Indonesia. In the future, this starch-producing tree will play an important role in food security and biodiversity. Local governments have begun to emphasize the sustainable development of sago palm plantations; therefore, they require near-real-time geospatial information on palm stands. We developed a semi-automated classification scheme for mapping sago palm using machine learning within an object-based image analysis framework with Pleiades-1A imagery. In addition to spectral information, arithmetic, geometric, and textural features were employed to enhance the classification accuracy. Recursive feature elimination was applied to samples to rank the importance of 26 input features. A support vector machine (SVM) was used to perform classifications and resulted in the highest overall accuracy of 85.00% after inclusion of the eight most important features, including three spectral features, three arithmetic features, and two textural features. The SVM classifier showed normal fitting up to the eighth most important feature. According to the McNemar test results, using the top seven to 14 features provided a better classification accuracy. The significance of this research is the revelation of the most important features in recognizing sago palm among other similar tree species.
Selengkapnya :
