Bücher von 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.

Existen algoritmos emergentes de aprendizaje automático para clasificar la cobertura y el uso del suelo. En este libro nos centramos en los métodos relativamente maduros (siete métodos): máquinas de vectores de soporte (SVM), árboles de decisión (DT), redes neuronales artificiales, k-nearest neighbours (k-NN), naive Bayes, Boosting y Random forest (RF).La recopilación precisa y oportuna de información sobre el uso y la ocupación del suelo urbano es crucial para muchos aspectos del desarrollo urbano y la protección del medio ambiente.La clasificación precisa de las cubiertas del suelo es un reto. La mejora de la clasificación de la cubierta terrestre es un tema candente. Es necesaria para muchas aplicaciones, como la cartografía de la ocupación del suelo, la supervisión medioambiental, la gestión de los recursos naturales, la planificación urbana y la gestión y detección de cambios. Se han estudiado varios métodos de ensamblaje para combinar varios clasificadores.

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

En este libro, se presenta una visión general de la AD que adopta varias perspectivas, como las técnicas de aprendizaje profundo más avanzadas, los enfoques del aprendizaje profundo y las aplicaciones. Además, los problemas potenciales en la tecnología de aprendizaje profundo. Esta investigación presenta las redes neuronales convolucionales (CNN), que son el tipo de red de AD más utilizado. Un estudio de las arquitecturas de aprendizaje profundo CNN que se encuentran con frecuencia en la literatura, junto con sus fortalezas y limitaciones y describe el desarrollo de arquitecturas CNNs junto con sus principales características, por ejemplo, AlexNet, VGG, ResNet, DenseNet ,GoogLeNet, Inception: ResNet nd Inception V3/ V4 ,SegNet ,U Net, Point CNN y MASK R-CNN .También se explica un estudio detallado sobre la aplicación de redes neuronales convolucionales a la teledetección para extraer características. Se analizan los retos a los que se enfrenta la CNN

There are an emergent machine learning(ML) algorithms to classify land-cover and land-use. In this book we focus on the relatively mature methods (seven methods) support vector (SVM) machines, decision trees (DTs), artificial neural networks, k-nearest neighbours (k-NN), naïve Bayes, Boosting and Random forest (RF).Accurate and timely collection of urban land use and land cover information is crucial for many aspects of urban development and environment protection.Accurate land covers classification is challenging. Improving land cover classification is a hot topic. It is needed for many applications such as land use land cover mapping environmental monitoring, natural resource management, urban planning, and management and change detection. Then a number of ensample methods were studied to combine various classifiers.

In this book, an overview of DL is presented that adopts various perspectives such as state-of-the-arts deep learning techniques, Deep learning approaches, applications. Additionally, the potential problems on deep learning technology. This research presents convolutional neural networks (CNNs) which the most utilized DL network type. A survey of the CNN deep learning architectures that are frequently encountered in the literature, along with their strengths and limitations and describes the development of CNNs architectures together with their main features, e.g., AlexNet, VGG, ResNet, DenseNet, GoogLeNet, Inception: ResNet nd Inception V3/ V4, SegNet, U Net, Point CNN and MASK R-CNN .A detailed study on application of Convolutional Neural Network on the remote sensing to extract features is also explained. Challenges that met CNN were discussed.

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).