• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

用于城市土地利用/覆盖制图的机器学习：人工神经网络、随机森林和支持向量机的比较——以迪拉镇为例

Machine learning for urban land use/ cover mapping: Comparison of artificial neural network, random forest and support vector machine, a case study of Dilla town.

作者信息

Kasahun Melion, Legesse Abiyot

机构信息

Department of Geography and Environmental Studies, College of Social Science and Humanities, Dilla University, P.O. Box: 419, Dilla, Ethiopia.

Department of Geography and Environmental Studies, College of Social Science and Humanities, Borana University, P.O. Box: 85, Yabello, Ethiopia.

出版信息

Heliyon. 2024 Oct 12;10(20):e39146. doi: 10.1016/j.heliyon.2024.e39146. eCollection 2024 Oct 30.

DOI:10.1016/j.heliyon.2024.e39146
PMID:39497969
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC11532223/
Abstract

Support 74 Km 74 Km2 66 Km 65 Km .

摘要

支持74公里 74平方公里 66公里 65公里 。

https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/94735598df24/gr15.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/75d48a69cf51/gr1.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/ef045e6165ea/gr2.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/1f90b5918432/gr3.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/7f2c3a8a0eb2/gr4.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/8e1c34ee7bf6/gr5.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/e8315fbd7228/gr6.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/15d3f95ef905/gr7.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/6a4afc86266c/gr8.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/26cf064f2355/gr9.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/c787bd64a940/gr10.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/61114d758e63/gr11.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/fecf1bbe34f6/gr12.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/3638f7ef6cb6/gr13.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/caa3b8741b47/gr14.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/94735598df24/gr15.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/75d48a69cf51/gr1.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/ef045e6165ea/gr2.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/1f90b5918432/gr3.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/7f2c3a8a0eb2/gr4.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/8e1c34ee7bf6/gr5.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/e8315fbd7228/gr6.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/15d3f95ef905/gr7.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/6a4afc86266c/gr8.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/26cf064f2355/gr9.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/c787bd64a940/gr10.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/61114d758e63/gr11.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/fecf1bbe34f6/gr12.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/3638f7ef6cb6/gr13.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/caa3b8741b47/gr14.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/339f/11532223/94735598df24/gr15.jpg

相似文献

1
Machine learning for urban land use/ cover mapping: Comparison of artificial neural network, random forest and support vector machine, a case study of Dilla town.用于城市土地利用/覆盖制图的机器学习：人工神经网络、随机森林和支持向量机的比较——以迪拉镇为例
Heliyon. 2024 Oct 12;10(20):e39146. doi: 10.1016/j.heliyon.2024.e39146. eCollection 2024 Oct 30.
2
Use of machine learning-based classification algorithms in the monitoring of Land Use and Land Cover practices in a hilly terrain.基于机器学习的分类算法在丘陵地形土地利用和土地覆盖监测中的应用。
Environ Monit Assess. 2023 Dec 5;196(1):8. doi: 10.1007/s10661-023-12131-7.
3
Demi-decadal land use land cover change analysis of Mizoram, India, with topographic correction using machine learning algorithm.印度米佐拉姆邦的半十年土地利用/土地覆盖变化分析，使用机器学习算法进行地形校正。
Environ Sci Pollut Res Int. 2024 May;31(21):30569-30591. doi: 10.1007/s11356-024-33094-3. Epub 2024 Apr 12.
4
Quantitative assessment of Land use/land cover changes in a developing region using machine learning algorithms: A case study in the Kurdistan Region, Iraq.使用机器学习算法对发展中地区土地利用/土地覆盖变化进行定量评估：以伊拉克库尔德斯坦地区为例
Heliyon. 2023 Oct 24;9(11):e21253. doi: 10.1016/j.heliyon.2023.e21253. eCollection 2023 Nov.
5
Assessment of agricultural prospects in relation to land use change and population pressure on a spatiotemporal framework.在时空框架内评估与土地利用变化和人口压力有关的农业前景。
Environ Sci Pollut Res Int. 2022 Jun;29(28):43267-43286. doi: 10.1007/s11356-021-17956-8. Epub 2022 Jan 29.
6
Spatial and temporal classification and prediction of LULC in Brahmani and Baitarni basin using integrated cellular automata models.利用集成元胞自动机模型对布拉马普特拉河和拜塔尼河流域土地利用/土地覆被进行时空分类和预测。
Environ Monit Assess. 2024 Jan 6;196(2):117. doi: 10.1007/s10661-023-12289-0.
7
Decadal Trend in Agricultural Abandonment and Woodland Expansion in an Agro-Pastoral Transition Band in Northern China.中国北方农牧交错带农业弃耕与林地扩张的年代际趋势
PLoS One. 2015 Nov 12;10(11):e0142113. doi: 10.1371/journal.pone.0142113. eCollection 2015.
8
Fusion of spectral and topographic features for land use mapping using a machine learning framework for a regional scale application.基于机器学习框架的区域尺度土地利用制图的光谱和地形特征融合。
Environ Monit Assess. 2024 Oct 8;196(11):1030. doi: 10.1007/s10661-024-13178-w.
9
Spatio-temporal classification and prediction of land use and land cover change for the Vembanad Lake system, Kerala: a machine learning approach.喀拉拉邦韦姆巴纳德湖系统土地利用与土地覆盖变化的时空分类及预测：一种机器学习方法
Environ Sci Pollut Res Int. 2022 Dec;29(57):86220-86236. doi: 10.1007/s11356-021-17257-0. Epub 2021 Nov 12.
10
Analysis of land use and land cover change using machine learning algorithm in Yola North Local Government Area of Adamawa State, Nigeria.使用机器学习算法分析尼日利亚阿达马瓦州约拉北部地方政府地区的土地利用和土地覆盖变化。
Environ Monit Assess. 2023 Nov 14;195(12):1470. doi: 10.1007/s10661-023-12112-w.

本文引用的文献

1
A Novel Image Processing Approach to Enhancement and Compression of X-ray Images.一种用于 X 射线图像增强和压缩的新型图像处理方法。
Int J Environ Res Public Health. 2021 Jun 22;18(13):6724. doi: 10.3390/ijerph18136724.
2
The Random Forest Model Has the Best Accuracy Among the Four Pressure Ulcer Prediction Models Using Machine Learning Algorithms.在使用机器学习算法的四种压疮预测模型中，随机森林模型具有最高的准确率。
Risk Manag Healthc Policy. 2021 Mar 18;14:1175-1187. doi: 10.2147/RMHP.S297838. eCollection 2021.
3
An Automated Machine-Learning Approach for Road Pothole Detection Using Smartphone Sensor Data.
基于智能手机传感器数据的道路坑洼自动机器学习检测方法
Sensors (Basel). 2020 Sep 28;20(19):5564. doi: 10.3390/s20195564.
4
Remotely sensed vegetation indices for crop nutrition mapping.遥感植被指数在作物养分制图中的应用。
J Sci Food Agric. 2020 Nov;100(14):5191-5196. doi: 10.1002/jsfa.10568. Epub 2020 Jul 14.
5
Urbanization and its implications for food and farming.城市化及其对食物和农业的影响。
Philos Trans R Soc Lond B Biol Sci. 2010 Sep 27;365(1554):2809-20. doi: 10.1098/rstb.2010.0136.