用于空间独立多光谱土地分类的柯尔莫哥洛夫-阿诺德网络
Kolmogorov-Arnold Networks for Spatially Independent Multispectral Land Classification
浏览论文内容
中文总结 AI 辅助
本研究评估Kolmogorov-Arnold网络用于多光谱土地分类的性能，发现其在卡尔加里独立数据集上准确率与随机森林相当、优于多层感知器，且参数更少、可解释性更强。
中文摘要 AI 辅助
从卫星影像进行土地分类对土地管理、环境监测和城市规划具有重要意义。随机森林、多层感知器等机器学习方法在多光谱数据上表现出色，而柯尔莫哥洛夫-阿诺德网络（Kolmogorov-Arnold Network）作为一种模型结构紧凑的替代架构已出现。本研究使用Landsat 8影像评估柯尔莫哥洛夫-阿诺德网络的土地分类性能，并将其与随机森林和多层感知器模型对比。所有模型均使用加拿大阿尔伯塔省埃德蒙顿的数据进行训练和测试，且在阿尔伯塔省卡尔加里的独立数据集上针对5类土地（农业、城市、水体、森林、裸地）进行评估。在卡尔加里数据集上，柯尔莫哥洛夫-阿诺德网络的准确率与随机森林相当，且优于多层感知器，同时所需可训练参数显著更少，可解释性更强。
英文摘要
Land classification from satellite imagery is important for land management, environmental monitoring, and urban planning. Machine learning methods such as random forests and multilayer perceptrons have shown strong performance on multispectral data, while the Kolmogorov-Arnold network has emerged as an alternative architecture with compact model structures. This study evaluates the Kolmogorov-Arnold network for land classification using Landsat 8 imagery and compares it with random forest and multilayer perceptron models. The models were trained and tested on data from Edmonton, Alberta and evaluated on an independent dataset from Calgary, Alberta across five land classes: agriculture, urban, water, forest, and bare ground. For the Calgary dataset, the Kolmogorov-Arnold network matched the accuracy of the random forest and outperformed the multilayer perceptron, while requiring substantially fewer trainable parameters and providing greater interpretability.
发表机构
- Aalto University（阿尔托大学）
- University of Alberta（阿尔伯塔大学）
机构由 AI 辅助整理，请以论文原文为准。
