Bøker av Lamyaa Taha

Existem algoritmos emergentes de aprendizagem automática (ML) para classificar a cobertura e o uso do solo. Neste livro, centramo-nos nos métodos relativamente maduros (sete métodos): máquinas de vectores de apoio (SVM), árvores de decisão (DT), redes neuronais artificiais, k-vizinhos mais próximos (k-NN), naïve Bayes, Boosting e Random forest (RF).A recolha precisa e atempada de informações sobre a utilização e a ocupação do solo urbano é crucial para muitos aspectos do desenvolvimento urbano e da proteção do ambiente.A classificação exacta da ocupação do solo é um desafio. A melhoria da classificação da ocupação do solo é um tema muito atual. É necessário para muitas aplicações, como a cartografia da ocupação do solo, a monitorização ambiental, a gestão dos recursos naturais, o planeamento urbano, a gestão e a deteção de alterações. Em seguida, foram estudados vários métodos de ensample para combinar vários classificadores.

Il existe un nombre croissant d'algorithmes d'apprentissage automatique pour classer la couverture et l'utilisation des sols. Dans cet ouvrage, nous nous concentrons sur les méthodes relativement matures (sept méthodes) : machines à vecteurs de support (SVM), arbres de décision (DT), réseaux neuronaux artificiels, k-voisins les plus proches (k-NN), naïve Bayes, Boosting et Random forest (RF).La collecte précise et opportune d'informations sur l'utilisation et l'occupation des sols urbains est cruciale pour de nombreux aspects du développement urbain et de la protection de l'environnement.La classification précise de l'occupation du sol est un défi. L'amélioration de la classification de l'occupation des sols est un sujet d'actualité. Elle est nécessaire pour de nombreuses applications telles que la cartographie de l'occupation des sols, la surveillance de l'environnement, la gestion des ressources naturelles, la planification urbaine, la gestion et la détection des changements. Ensuite, un certain nombre de méthodes d'échantillonnage ont été étudiées pour combiner différents classificateurs.

Esistono numerosi algoritmi di apprendimento automatico (ML) per classificare la copertura e l'uso del suolo. In questo libro ci concentriamo sui metodi relativamente maturi (sette metodi): macchine a vettore di supporto (SVM), alberi decisionali (DT), reti neurali artificiali, k-nearest neighbours (k-NN), naïve Bayes, Boosting e Random forest (RF).La raccolta accurata e tempestiva di informazioni sull'uso e la copertura del suolo urbano è fondamentale per molti aspetti dello sviluppo urbano e della protezione dell'ambiente.La classificazione accurata delle coperture del suolo rappresenta una sfida. Il miglioramento della classificazione della copertura del suolo è un tema molto sentito. È necessario per molte applicazioni come la mappatura dell'uso del suolo, il monitoraggio ambientale, la gestione delle risorse naturali, la pianificazione urbana, la gestione e il rilevamento dei cambiamenti. Sono stati studiati diversi metodi di ensample per combinare vari classificatori.

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.

In diesem Buch wird ein Überblick über das Deep Learning gegeben, der verschiedene Perspektiven einnimmt, wie z.B. den Stand der Technik, Deep-Learning-Ansätze und Anwendungen. Außerdem werden die potenziellen Probleme der Deep-Learning-Technologie aufgezeigt. Diese Forschung stellt Faltungsneuronale Netze (CNNs) vor, die am meisten genutzten DL-Netzwerktypen. Ein Überblick über die CNN Deep Learning Architekturen, die häufig in der Literatur zu finden sind, zusammen mit ihren Stärken und Grenzen und beschreibt die Entwicklung von CNNs Architekturen zusammen mit ihren wichtigsten Eigenschaften, z. B. AlexNet, VGG, ResNet, DenseNet ,GoogLeNet, Inception: ResNet und Inception V3/ V4, SegNet, U Net, Point CNN und MASK R-CNN.Eine detaillierte Studie über die Anwendung von Convolutional Neural Network in der Fernerkundung zur Extraktion von Merkmalen wird ebenfalls erläutert. Herausforderungen, denen CNN begegnet, wurden diskutiert

In questo libro viene presentata una panoramica del DL che adotta varie prospettive, come lo stato dell'arte delle tecniche di deep learning, gli approcci al deep learning e le applicazioni. Inoltre, vengono illustrati i potenziali problemi legati alla tecnologia del deep learning. Questa ricerca presenta le reti neurali convoluzionali (CNN), il tipo di rete DL più utilizzato. Una rassegna delle architetture di deep learning CNN che si incontrano frequentemente in letteratura, insieme ai loro punti di forza e limiti e descrive lo sviluppo delle architetture CNN insieme alle loro caratteristiche principali, ad esempio AlexNet, VGG, ResNet, DenseNet ,GoogLeNet, Inception: ResNet e Inception V3/V4, SegNet, U Net, Point CNN e MASK R-CNN.Viene inoltre illustrato uno studio dettagliato sull'applicazione della rete neurale convoluzionale al telerilevamento per l'estrazione di caratteristiche. Sono state discusse le sfide che si presentano alle CNN

Ce livre présente une vue d'ensemble de l'apprentissage profond qui adopte différentes perspectives telles que les techniques d'apprentissage profond de pointe, les approches d'apprentissage profond, les applications. En outre, les problèmes potentiels liés à la technologie de l'apprentissage profond. Cette recherche présente les réseaux neuronaux convolutifs (CNN), qui constituent le type de réseau d'apprentissage profond le plus utilisé. Une étude des architectures d'apprentissage profond CNN fréquemment rencontrées dans la littérature, ainsi que leurs forces et leurs limites, et décrit le développement des architectures CNN ainsi que leurs principales caractéristiques, par exemple AlexNet, VGG, ResNet, DenseNet, GoogLeNet, Inception : ResNet et Inception V3/ V4 ,SegNet ,U Net, Point CNN et MASK R-CNN .Une étude détaillée de l'application du réseau neuronal convolutif à la télédétection pour extraire des caractéristiques est également expliquée. Les défis rencontrés par le CNN ont été discutés

Neste livro, é apresentada uma panorâmica da aprendizagem profunda que adopta várias perspectivas, como as técnicas de aprendizagem profunda mais avançadas, as abordagens de aprendizagem profunda e as aplicações. Além disso, os potenciais problemas da tecnologia de aprendizagem profunda. Esta investigação apresenta as redes neuronais convolucionais (CNN), que são o tipo de rede de aprendizagem profunda mais utilizado. Uma análise das arquitecturas de aprendizagem profunda CNN frequentemente encontradas na literatura, juntamente com os seus pontos fortes e limitações, e descreve o desenvolvimento das arquitecturas CNN juntamente com as suas principais características, por exemplo, AlexNet, VGG, ResNet, DenseNet, GoogLeNet, Inception: ResNet e Inception V3/ V4, SegNet, U Net, Point CNN e MASK R-CNN.É também explicado um estudo pormenorizado sobre a aplicação da rede neural convolucional na deteção remota para extrair características. Foram discutidos os desafios que se colocam às CNN

Any digital representation of the continuous variation of relief over space surface is known as Digital elevation model. DEM ¿s have been used and are currently in use in a great number of applications such as route engineering, landspacing, military -purpose mapping, remote sensing telecommunications, hydraulic studies, land and geographic information systems. This research deals with study of different techniques for DEM generation. DEM definition was mentioned. The factors that affect in selecting a certain technique not the others then generation of DEM from topographic maps, ground surveying (GPS), analytical photogrammetry, digital photogrammetry and LIDAR was discussed.

One of the early evidences of civilization has been the map ¿a graphic depiction of the Earths surface .There are three fundamental characteristics of good maps ¿content, currency and accuracy.Content is largely a matter of scale, currency is the date of map information while accuracy determines how will one can locate positions and make measurements in a defined coordinate system (Colvocoresses,1997).