Multi-Sensor and Multi-Temporal Remote Sensing: Specific Single Class Mapping
W książce omówiono modele rozmytego uczenia maszynowego i głębokiego uczenia do mapowania pojedynczych klas z wieloczujnikowych, wieloczasowych obrazów teledetekcyjnych przy jednoczesnej obsłudze mieszanych pikseli i szumów. Obejmuje również sposoby wstępnego przetwarzania i widmowej redukcji wymiarowości danych czasowych. Ponadto omówiono podejście szkoleniowe "indywidualna próbka jako średnia" w celu radzenia sobie z heterogenicznością w obrębie klasy. Dodatkowa sekcja książki zawiera studia przypadków, takie jak mapowanie rodzaju upraw, gatunków leśnych i ściernisk spalonych pól ryżowych.
Kluczowe cechy:
⬤ Koncentruje się na wykorzystaniu wieloczujnikowych, wieloczasowych danych podczas obsługi nakładania się widm między klasami.
⬤ Omówienie szeregu modeli rozmytego/głębokiego uczenia się zdolnych do wyodrębnienia określonej pojedynczej klasy i oddzielenia szumu.
⬤ Opisuje wstępne przetwarzanie przy użyciu wskaźników spektralnych, teksturalnych, CBSI i współczynnika rozproszenia wstecznego / wskaźnika roślinności radarowej (RVI).
⬤ Omawia rolę danych treningowych w radzeniu sobie z niejednorodnością w obrębie klasy.
⬤ Obsługuje wieloczujnikowe i wieloczasowe przetwarzanie danych za pomocą wewnętrznego oprogramowania SMIC.
⬤ Zawiera studia przypadków i praktyczne aplikacje do mapowania pojedynczych klas.
Książka ta jest przeznaczona dla studentów studiów magisterskich i podyplomowych, naukowców i specjalistów zajmujących się środowiskiem, geografią, informatyką, teledetekcją, geoinformatyką, leśnictwem, rolnictwem, badaniami po klęskach żywiołowych, transformacją miast i innymi pokrewnymi dziedzinami.
