Algoritmi di apprendimento automatico fuzzy per la classificazione delle immagini da telerilevamento

Titolo originale:

Fuzzy Machine Learning Algorithms for Remote Sensing Image Classification

Contenuto del libro:

Questo libro tratta lo stato dell'arte dei metodi di classificazione delle immagini per la discriminazione degli oggetti terrestri dai dati satellitari di telerilevamento, con particolare attenzione agli algoritmi di apprendimento automatico fuzzy e di apprendimento profondo. Entrambi i tipi di algoritmi sono descritti in modo così dettagliato da poter essere implementati direttamente per la mappatura tematica di coperture terrestri di classi multiple o specifiche da dati di telerilevamento ottico multispettrale. Questi algoritmi, insieme al telerilevamento multidata e multisensore, sono in grado di monitorare anche le fasi specifiche (ad esempio, la fenologia delle colture) di una particolare classe. Grazie a queste capacità, gli algoritmi di apprendimento automatico fuzzy trovano applicazione in settori quali l'assicurazione delle colture, la mappatura degli incendi boschivi, la bruciatura delle stoppie, la mappatura dei danni post-catastrofe, ecc. Il libro fornisce anche dettagli sulla banca dati degli indici temporali utilizzando l'approccio proposto Class Based Sensor Independent (CBSI), supportato da esempi pratici. Inoltre, questo libro affronta altri algoritmi correlati basati sulla distanza, sui kernel e sulle informazioni spaziali attraverso i metodi Markov Random Field (MRF)/convoluzione locale per gestire pixel misti, non linearità e pixel rumorosi.

Inoltre, questo libro tratta delle tecniche per la valutazione quantiativa delle frazioni classificate in modo soft e supportate da uno strumento sviluppato internamente chiamato sub-pixel multi-spectral image classifier (SMIC). Il libro si rivolge a laureati, post-laurea, ricercatori e professionisti di diversi settori, come le scienze della geoinformazione, la geografia, l'elettrotecnica, l'elettronica e le scienze informatiche, ecc. Gli algoritmi di apprendimento discussi in questo libro possono essere utili anche in altri campi correlati, ad esempio nell'imaging medico. Nel complesso, questo libro si propone di:

⬤ sottolineare in modo esclusivo l'utilizzo di un'ampia gamma di algoritmi di classificazione fuzzy per le immagini di telerilevamento;

⬤ discutere l'applicazione di classificatori ANN, CNN, RNN e di apprendimento ibrido sulle immagini di telerilevamento;

⬤ descrivere lo strumento di classificazione di immagini multispettrali sub-pixel (SMIC) per supportare gli algoritmi fuzzy e di apprendimento discussi;

⬤ spiegare come valutare i risultati classificati in modo soft come immagini di frazione utilizzando la matrice di errore fuzzy (FERM) e le sue versioni avanzate con lo strumento FERM, l'entropia, il coefficiente di correlazione, l'errore quadratico medio e il metodo Receiver Operating Characteristic (ROC);

⬤ Combina la spiegazione degli algoritmi con casi di studio e applicazioni pratiche.