Multi-Sensor and Multi-Temporal Remote Sensing: Specific Single Class Mapping
In diesem Buch werden Fuzzy-Maschinen- und Deep-Learning-Modelle für die Zuordnung einzelner Klassen aus multisensoralen, multitemporalen Fernerkundungsbildern unter Berücksichtigung von gemischten Pixeln und Rauschen entwickelt. Es deckt auch die Möglichkeiten der Vorverarbeitung und der spektralen Dimensionalitätsreduktion von zeitlichen Daten ab. Darüber hinaus wird der Trainingsansatz "individuelle Stichprobe als Mittelwert" erörtert, um Heterogenität innerhalb einer Klasse zu behandeln. Der Anhang des Buches enthält Fallstudien, wie z. B. die Kartierung von Kulturpflanzen, Waldarten und Reisfeldern mit verbrannten Stoppeln.
Hauptmerkmale:
⬤ Schwerpunkt auf der Verwendung von Multisensor- und Multitemporaldaten bei gleichzeitiger Behandlung der spektralen Überlappung zwischen den Klassen.
⬤ Diskutiert eine Reihe von Fuzzy/Deep-Learning-Modellen, die in der Lage sind, spezifische Einzelklassen zu extrahieren und Rauschen zu separieren.
⬤ Beschreibt die Vorverarbeitung unter Verwendung von Spektral-, Textur-, CBSI-Indizes und Rückstreukoeffizienten/Radar-Vegetationsindex (RVI)
⬤ Erörtert die Rolle von Trainingsdaten, um die Heterogenität innerhalb einer Klasse zu behandeln.
⬤ Unterstützt die Verarbeitung von Multisensor- und Multitemporaldaten durch die hauseigene SMIC-Software.
⬤ Enthält Fallstudien und praktische Anwendungen für Einzelklassen-Kartierungen.
Dieses Buch richtet sich an Studenten, Wissenschaftler und Fachleute, die in den Bereichen Umwelt, Geographie, Informatik, Fernerkundung, Geoinformatik, Forstwirtschaft, Landwirtschaft, Post-Desaster, Urban Transition Studies und anderen verwandten Bereichen arbeiten.
| ISBN: | 9781032428321 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2023 |
| Seitenzahl: | 148 |
Derzeit verfügbar, auf Lager.
