Classificateurs d'apprentissage automatique &Ensemble de classificateurs

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.