Improving remote sensing crop classification by argumentation-based conflict resolution in ensemble learning

به دست آوردن داده ها از طریق سنجش از دور به اهمیت زیادی در کشاورزی دقت تبدیل شده است، زیرا مناطق جغرافیایی زیادی را سریع تر و ارزان تر از بازرسی های زمین می گیرد. چالش این است که برای توسعه راه حل های فنی، که می تواند از هر دو مقدار زیادی از داده های خام استخراج شده از تصاویر ماهواره ای، بلکه از مقدار قابل توجهی از دانش که در طول قرن ها فعالیت کشاورزی تدوین شده، سودمند باشد. به منظور طبقه بندی دقیق محصولات از تصاویر ماهواره ای، ما یک سیستم هوشمند هیبریدی را توسعه داده ایم که می تواند از دانش تخصصی کشاورزی و الگوریتم های یادگیری ماشین بهره برداری کند. به عنوان داده های خام محصول با ناهمگونی مشخص می شود، ما توجه خود را به آموزگاران گروه جلب می کنیم، در حالی که دانش تخصصی در یک سیستم مبتنی بر قانون محاسبه می شود. روش های مبتنی بر رای دهی برای حل اختلافات بین آموزگاران پایه ای گروهی، در دسته بندی موارد استثنایی به درستی و همچنین ارائه دلیل منطقی تصمیم گیری آنها دشوار است. سوال پژوهش مفهومی در مورد حل اختلاف در یادگیری گروهی است. برای مقابله با موارد قابل بحث در یادگیری گروهی و افزایش شفافیت در چنین تصمیمات قابل بحث، فرض ما این است که استدلال می تواند موثر تر از روش های مبتنی بر رای گیری باشد. سهم اصلی این است که سیستم رأی گیری در یادگیری گروهی با یک استدلال متضاد سازگار است. تصمیم گیری های آینده از طبقه بندی های پایه به یک سیستم استدلال مبتنی بر منطق نامناسب ارائه می شود که استدلال دیالکتیکی را در مورد جوانب مثبت و منفی علیه تصمیم طبقه بندی انجام می دهد. این سیستم یک توصیه را با توجه به قوانین استخراج شده از دانش آموزان پایه و دانش تخصصی موجود محاسبه می کند. مطالعه موردی به طبقه بندی محصول به چهار طبقه تقسیم می شود: ذرت، سویا، پنبه و برنج. سایت آزمایشی مورد استفاده در این آزمایش، مساحتی حدود 20 کیلومتر مربع در ایالت نیو مادرید، در جنوب شرقی ایالت میسوری ایالات متحده آمریکا است. نتایج نشان می دهد که رویکرد ما، دقت طبقه بندی را نسبت به روش مبتنی بر رأی گیری برای حل تعارض در یک آموزگار گروهی که شامل سه طبقه بندی پایه می باشد، افزایش می دهد: درخت تصمیم گیری، شبکه عصبی و الگوریتم ماشین بردار پشتیبانی. ما همچنین استدلال می کنیم که ترکیبی از یادگیری و استدلال گروهی متناسب با الگوهای تصمیم گیری عوامل انسانی است که برای اولین بار نظرات مختلفی را جمع آوری می کنند و سپس بر اساس این دیدگاه، استدلال دیالکتیکی را انجام می دهند. ما فکر می کنیم که افرادی که می توانند از ابزارهای مفهومی ارائه شده در این کار بهره مند شوند، تصمیم گیرندگان در حوزه هایی هستند که با دسترسی به داده های بالا، دانش کارشناس قوی و نیاز به توجیه منطق تصمیم گیری ها مواجه هستند.