Titre original :
Fuzzy Machine Learning Algorithms for Remote Sensing Image Classification
Contenu du livre :
Ce livre couvre les méthodes de classification d'images les plus récentes pour la discrimination des objets terrestres à partir de données de télédétection par satellite, en mettant l'accent sur l'apprentissage automatique flou et les algorithmes d'apprentissage profond. Les deux types d'algorithmes sont décrits de manière si détaillée qu'ils peuvent être mis en œuvre directement pour la cartographie thématique de la couverture terrestre à classes multiples ou à classes spécifiques à partir de données de télédétection optique multispectrale. Ces algorithmes, associés à la télédétection multi-dates et multi-capteurs, sont capables de surveiller une étape spécifique (par exemple, la phénologie d'une culture) d'une classe particulière également incluse. Grâce à ces capacités, les algorithmes d'apprentissage automatique flous trouvent de nombreuses applications dans des domaines tels que l'assurance récolte, la cartographie des incendies de forêt, le brûlage des chaumes, la cartographie des dommages après une catastrophe, etc. Il fournit également des détails sur la base de données d'indices temporels utilisant l'approche Class Based Sensor Independent (CBSI) proposée, étayée par des exemples pratiques. Ce livre aborde également d'autres algorithmes connexes basés sur la distance, sur le noyau ainsi que sur les informations spatiales par le biais de méthodes de convolution locale et de champ aléatoire de Markov (MRF) pour traiter les pixels mixtes, la non-linéarité et les pixels bruyants.
En outre, ce livre traite des techniques d'évaluation quantitative des résultats de la fraction classifiée douce et s'appuie sur un outil développé en interne appelé classificateur d'images multispectrales sous-pixel (SMIC). Il s'adresse aux diplômés, aux étudiants de troisième cycle, aux chercheurs et aux professionnels de différentes branches telles que les sciences de l'information géographique, la géographie, l'électricité, l'électronique et l'informatique, etc. qui travaillent dans les domaines de l'observation de la terre et du traitement des images satellite. Les algorithmes d'apprentissage présentés dans ce livre peuvent également être utiles dans d'autres domaines connexes, par exemple l'imagerie médicale. Globalement, ce livre vise à :
⬤ de se concentrer exclusivement sur l'utilisation d'une large gamme d'algorithmes de classification floue pour les images de télédétection ;
⬤ de discuter de l'application des classificateurs ANN, CNN, RNN et des classificateurs d'apprentissage hybrides aux images de télédétection
⬤ décrire l'outil de classification d'images multi-spectrales sous-pixel (SMIC) pour soutenir les algorithmes flous et d'apprentissage discutés ;
⬤ Expliquer comment évaluer les sorties classifiées douces en tant qu'images fractionnées en utilisant la matrice d'erreur floue (FERM) et ses versions avancées avec l'outil FERM, l'entropie, le coefficient de corrélation, l'erreur quadratique moyenne et les méthodes de la caractéristique d'exploitation du récepteur (ROC) ;
⬤ Combine l'explication des algorithmes avec des études de cas et des applications pratiques.
Autres informations sur le livre :
| ISBN : | 9780367355715 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Relié |
| Année de publication : | 2020 |
| Nombre de pages : | 194 |
Achat:
Actuellement disponible, en stock.
