Прогнозирование признаков растений в моделировании экосистем

В работе представлена гибридная модель машинного обучения для предсказания признаков растений. Модель объединяет предобученную свёрточную нейронную сеть (CNN) со вспомогательными переменными, представленными в виде табличных данных (CSV). Цель исследования~--- повысить точность предсказания признаков растений, используя как визуальную информацию, так и контекстные данные.

Модель обучалась на наборе данных, состоящем из 9147 изображений растений и соответствующих 167 вспомогательных переменных. Изображения были предобработаны с помощью трёх предобученных архитектур свёрточных нейронных сетей (InceptionV3, ResNet, VGG19), а дополнительные данные были объединены с помощью слоя «concatenate» после выпрямления выходов вышеперечисленных CNN. Модель была оптимизирована с использованием алгоритма Adam и оценена соответствующими метрниками.

Результаты показали, что гибридная модель превосходит базовую CNN в предсказании признаков растений, что подтверждает эффективность использования дополнительных данных для повышения точности модели. Исследование демонстрирует потенциал гибридных моделей для анализа данных о растениях, полученных от пользователей по всему миру.