Supervised Machine Learning Algorithms for Land Cover Classification in Casablanca, Morocco
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study embarks on an evaluation of the efficacy of six supervised machine learning algorithms in the classification of land cover in Casablanca, Morocco, utilizing Landsat satellite imagery.Employing the Google Earth Engine (GEE) platform for data collection, the research encompasses meticulous pre-processing steps and the application of various supervised algorithms, followed by a comprehensive evaluation of their performance.The city of Casablanca, characterized by rapid urbanization and evolving land-use patterns, presents an exemplary case for scrutinizing the algorithms' ability to accurately classify different land zones.These zones encompass water bodies, urban areas, agricultural lands, barren terrains, and forests.The algorithms under scrutiny include Support Vector Machine (SVM), Random Forest (RF), Classification and Regression Trees (CART), Minimum Distance (MD), Decision Tree (DT), and Gradient Tree Boosting (GTB).The assessment of classification outcomes leverages multiple accuracy indicators, namely overall accuracy (OA), Kappa coefficient, user accuracy (UA), and producer accuracy (PA).Results indicate that the Random Forest algorithm exhibits superior performance, achieving an accuracy of 95.42%, while the Support Vector Machine algorithm lags with a lower accuracy of 83%.This investigation underscores the critical role of advanced machine learning algorithms in land cover classification, a pivotal aspect for urban and regional planning, natural resource management, and risk assessment in rapidly changing environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle