使用NEXRAD雷达数据和卷积神经网络自动检测鸟类栖息地,Remote Sensing in Ecology and Conservation
尽管已证明NEXRAD雷达是检测空中动物的有效工具，但检测雷达图像中的生物现象通常涉及手动，耗时的数据提取过程。本文侧重于应用机器学习来自动发现雷达数据快照鸟（特别是紫马丁斯和树燕子），因为它们出发的大聚集成群从栖息地。这些聚集现象在雷达图像中表现为反射率高的环，随着鸟类从栖息地离开而出现在清晨。我们的目标是开发一种算法，该算法可以确定单个雷达图像是否至少包含一个紫马丁或树燕子栖息地。我们使用已知栖息地位置的数据集来训练三种机器学习算法，这些算法采用（1）传统的人工神经网络（ANN），（2）称为Inception-v3的复杂的预先存在的卷积神经网络（CNN）和（3）a从头开始构建的浅层CNN。所产生的程序都能有效地找到鸟类栖息地，浅层的CNN和Inception-v3网络都可以在90％的AUC高于0.9的情况下做出正确的确定。据我们所知，这项研究是首次将神经网络应用于雷达图像中鸟类栖息地的分析，这些分析工具为研究飞行动物的生态和行为提供了新的途径，并在风电场布局，空中交通管理和野生动植物中有实际应用保护。NEXRAD雷达网络提供了庞大的大陆规模数据档案，并具有捕获整个脊椎动物种群的潜力。我们将现有的机器学习模型应用于新的数据集，这是从此档案库中提取信息的一种有价值的方法。空中交通管理局和野生动植物保护。NEXRAD雷达网络提供了庞大的大陆规模数据档案，并具有捕获整个脊椎动物种群的潜力。我们将现有的机器学习模型应用于新的数据集，这是从此档案库中提取信息的一种有价值的方法。空中交通管理局和野生动植物保护。NEXRAD雷达网络提供了庞大的大陆规模数据档案，并具有捕获整个脊椎动物种群的潜力。我们将现有的机器学习模型应用于新的数据集，这是从此档案库中提取信息的一种有价值的方法。
"点击查看英文标题和摘要"
相关知识
Application of RS, GIS and GPS Techniques in Study of Avian Habitat
鸟类识别系统Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+ResNet50算法模型+图像识别
卷积神经网络
基于卷积神经网络的鸟类（声音和图片)识别项目
基于卷积神经网络的宠物识别
【神经网络】(6) 卷积神经网络（VGG16），案例：鸟类图片4分类
科学家都无法分辨的相似鸟类，这个神经网络可以做到！
基于卷积神经网络的宠物猫品种分类研究 csdn
一种基于深度卷积神经网络的禽类动物行为识别方法与流程
【卷积神经网络】CNN详解以及猫狗识别实例
网址: 使用NEXRAD雷达数据和卷积神经网络自动检测鸟类栖息地,Remote Sensing in Ecology and Conservation https://m.mcbbbk.com/newsview690263.html
| 上一篇: 如何吸引鸟类到花园 |
下一篇: 水生生物栖息地模拟方法及模型综述 |
