基于小说的Kolmogorov-Arnold网络用于高精度绘制水体和植被分布图：以全球主要河流为例的研究

《Scientific Reports》：A novel-based Kolmogorov-Arnold Networks for high accuracy mapping of water and vegetation: a study of the global main rivers

　　

摘要

准确绘制水体和植被的分布图对于环境监测、资源管理和土地利用规划至关重要。本研究介绍了一种新型深度学习架构——Kolmogorov-Arnold Networks（KANs）的应用，该架构采用了可学习的激活函数，利用Sentinel-2卫星图像对水体和植被进行像素级分类。研究使用了2023年的观测数据集，涵盖了全球九条主要河流：亚马逊河、卡伦河、恒河、密西西比河、尼罗河、莱茵河、塞纳河、阿拉伯河和长江，以评估KANs与基线多层感知器（MLP）模型的性能。结果表明，KANs的总体Kappa系数为0.9949，与MLP的0.995相当，同时其架构更为紧凑。KANs中的自适应B样条激活函数在分类混合像素和边界像素时表现出特别高的效率，而这些正是传统算法常常遇到困难的领域。敏感性分析进一步证明了KANs的鲁棒性：仅利用红光和近红外波段的信息，KANs的准确率仍能达到99.52%，这凸显了其在光谱信息有限情况下的有效分类潜力。尽管KANs并非在所有地区都始终优于MLP，但其与MLP相当的准确率、更高的可解释性以及高效的训练速度使其成为遥感应用中一个有前景的替代方案。