Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Remotely Sensed Soil Data Analysis Using Artificial Neural Networks: A Case Study of El-Fayoum Depression, Egypt

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14310%2F15%3A00114224" target="_blank" >RIV/00216224:14310/15:00114224 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://doi.org/10.3390/ijgi4020677" target="_blank" >https://doi.org/10.3390/ijgi4020677</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.3390/ijgi4020677" target="_blank" >10.3390/ijgi4020677</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Remotely Sensed Soil Data Analysis Using Artificial Neural Networks: A Case Study of El-Fayoum Depression, Egypt

  • Popis výsledku v původním jazyce

    Earth observation and monitoring of soil quality, long term changes of soil characteristics and deterioration processes such as degradation or desertification are among the most important objectives of remote sensing. The georeferenciation of such information contributes to the development and progress of the Digital Earth project in the framework of the information globalization process. Earth observation and soil quality monitoring via remote sensing are mostly based on the use of satellite spectral data. Advanced techniques are available to predict the soil or land use/cover categories from satellite imagery data. Artificial Neural Networks (ANNs) are among the most widely used tools for modeling and prediction purposes in various fields of science. The assessment of satellite image quality and suitability for analysing the soil conditions (e.g., soil classification, land use/cover estimation, etc.) is fundamental. In this paper, methodology for data screening and subsequent application of ANNs in remote sensing is presented. The first stage is achieved via: (i) elimination of outliers, (ii) data pre-processing and (iii) the determination of the number of distinguishable soil "classes" via Eigenvalues Analysis (EA) and Principal Components Analysis (PCA). The next stage of ANNs use consists of: (i) building the training database, (ii) optimization of ANN architecture and database cleaning, and (iii) training and verification of the network. Application of the proposed methodology is shown.

  • Název v anglickém jazyce

    Remotely Sensed Soil Data Analysis Using Artificial Neural Networks: A Case Study of El-Fayoum Depression, Egypt

  • Popis výsledku anglicky

    Earth observation and monitoring of soil quality, long term changes of soil characteristics and deterioration processes such as degradation or desertification are among the most important objectives of remote sensing. The georeferenciation of such information contributes to the development and progress of the Digital Earth project in the framework of the information globalization process. Earth observation and soil quality monitoring via remote sensing are mostly based on the use of satellite spectral data. Advanced techniques are available to predict the soil or land use/cover categories from satellite imagery data. Artificial Neural Networks (ANNs) are among the most widely used tools for modeling and prediction purposes in various fields of science. The assessment of satellite image quality and suitability for analysing the soil conditions (e.g., soil classification, land use/cover estimation, etc.) is fundamental. In this paper, methodology for data screening and subsequent application of ANNs in remote sensing is presented. The first stage is achieved via: (i) elimination of outliers, (ii) data pre-processing and (iii) the determination of the number of distinguishable soil "classes" via Eigenvalues Analysis (EA) and Principal Components Analysis (PCA). The next stage of ANNs use consists of: (i) building the training database, (ii) optimization of ANN architecture and database cleaning, and (iii) training and verification of the network. Application of the proposed methodology is shown.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    10406 - Analytical chemistry

Návaznosti výsledku

  • Projekt

    Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2015

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    ISPRS International Journal of Geo-Information

  • ISSN

    2220-9964

  • e-ISSN

  • Svazek periodika

    4

  • Číslo periodika v rámci svazku

    2

  • Stát vydavatele periodika

    CH - Švýcarská konfederace

  • Počet stran výsledku

    20

  • Strana od-do

    677-696

  • Kód UT WoS článku

    000358987600014

  • EID výsledku v databázi Scopus

    2-s2.0-84948949282