Klassifikatoren des maschinellen Lernens &Klassifikator-Beispiele

Es gibt eine Reihe von Algorithmen des maschinellen Lernens (ML) zur Klassifizierung von Bodenbedeckung und Bodennutzung. In diesem Buch konzentrieren wir uns auf die relativ ausgereiften Methoden (sieben Methoden) Support-Vector-Maschinen (SVM), Entscheidungsbäume (DTs), künstliche neuronale Netze, k-nearest neighbours (k-NN), naive Bayes, Boosting und Random Forest (RF).Die genaue und zeitnahe Erfassung von Informationen zur Flächennutzung und Bodenbedeckung in Städten ist für viele Aspekte der Stadtentwicklung und des Umweltschutzes von entscheidender Bedeutung.Die genaue Klassifizierung der Bodenbedeckung ist eine Herausforderung. Die Verbesserung der Bodenbedeckungsklassifizierung ist ein aktuelles Thema. Sie wird für viele Anwendungen benötigt, z. B. für die Kartierung der Bodennutzung und -bedeckung, die Umweltüberwachung, die Bewirtschaftung natürlicher Ressourcen, die Stadtplanung und -verwaltung sowie die Erkennung von Veränderungen. Anschließend wurde eine Reihe von Methoden untersucht, um verschiedene Klassifikatoren zu kombinieren.

Autorentext

Dr. Eng. Lamyaa Gamal Eldeen Taha Pofessor in surveying and photogrammetry Head of the Aviation and aerial photography division- National Authority for Remote Sensing and Space scienceDr. Rania E. Ibrahim Head of scientific publication department-National Authority for Remote Sensing and Space scienceEng.Asmaa A.Mandouh NARSS.