Fuzzy Machine Learning Algorithms for Remote Sensing Image Classification
Este libro cubre el estado del arte de los métodos de clasificación de imágenes para la discriminación de objetos terrestres a partir de datos de teledetección por satélite con énfasis en el aprendizaje automático difuso y algoritmos de aprendizaje profundo. Ambos tipos de algoritmos se describen con tal detalle que se pueden implementar directamente para la cartografía temática de la cubierta terrestre de clase múltiple o específica a partir de datos de teledetección óptica multiespectral. Estos algoritmos, junto con la teledetección multi-fecha y multi-sensor, son capaces de monitorizar etapas específicas (por ejemplo, fenología de cultivos en crecimiento) de una clase particular también incluida. Con estas capacidades, los algoritmos de aprendizaje automático difuso tienen grandes aplicaciones en ámbitos como los seguros de cosechas, la cartografía de incendios forestales, la quema de rastrojos, la cartografía de daños tras catástrofes, etc. También proporciona detalles acerca de la base de datos de índices temporales utilizando el enfoque propuesto Class Based Sensor Independent (CBSI) apoyado por ejemplos prácticos. Además, este libro aborda otros algoritmos relacionados basados en la distancia, basados en kernel, así como información espacial a través de métodos de campo aleatorio de Markov (MRF)/convolución local para manejar píxeles mixtos, no linealidad y píxeles ruidosos.
Además, este libro trata sobre técnicas para la evaluación cuantitativa de resultados de fracciones de clasificación suave y se apoya en una herramienta de desarrollo propio denominada clasificador de imágenes multiespectrales subpixel (SMIC). Está dirigido a licenciados, posgraduados, investigadores y profesionales en activo de diferentes ramas como las ciencias de la geoinformación, la geografía, la electricidad, la electrónica y la informática, etc., que trabajan en los campos de la observación de la Tierra y el procesamiento de imágenes por satélite. Los algoritmos de aprendizaje discutidos en este libro también pueden ser útiles en otros campos relacionados, por ejemplo, en imágenes médicas. En general, este libro pretende
⬤ centrarse exclusivamente en el uso de una amplia gama de algoritmos de clasificación difusa para imágenes de teledetección;
⬤ Discutir la aplicación de ANN, CNN, RNN y clasificadores híbridos de aprendizaje en imágenes de teledetección;
⬤ Describir la herramienta de clasificación de imágenes multiespectrales subpixel (SMIC) para apoyar los algoritmos difusos y de aprendizaje discutidos;
⬤ Explicar cómo evaluar los resultados de la clasificación suave como imágenes fraccionadas utilizando la matriz de error difusa (FERM) y sus versiones avanzadas con la herramienta FERM, la entropía, el coeficiente de correlación, el error cuadrático medio y los métodos ROC (Receiver Operating Characteristic);
⬤ Combina la explicación de los algoritmos con estudios de casos y aplicaciones prácticas.
© Book1 Group - todos los derechos reservados.
El contenido de este sitio no se puede copiar o usar, ni en parte ni en su totalidad, sin el permiso escrito del propietario.
Última modificación: 2024.11.14 07:32 (GMT)