Landslide susceptibility assessment using SVM machine learning algorithm
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989592%3A15310%2F11%3A10225214" target="_blank" >RIV/61989592:15310/11:10225214 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1016/j.enggeo.2011.09.006" target="_blank" >http://dx.doi.org/10.1016/j.enggeo.2011.09.006</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1016/j.enggeo.2011.09.006" target="_blank" >10.1016/j.enggeo.2011.09.006</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Landslide susceptibility assessment using SVM machine learning algorithm
Popis výsledku v původním jazyce
The main objective of this research is to examine the possibility of automating the process of landslide susceptibility mapping by using machine learning techniques. The desired automated procedure assumes that after the initial acquisition of the necessary spatial data, an expert is presented with a (possibly small) representative region of the whole terrain. Such a scenario assumes a supervised learning approach in which the expert performs mapping in the representative region and the map subsequentlyproduced is used for training the machine which would perform the mapping task in the rest of the area.
Název v anglickém jazyce
Landslide susceptibility assessment using SVM machine learning algorithm
Popis výsledku anglicky
The main objective of this research is to examine the possibility of automating the process of landslide susceptibility mapping by using machine learning techniques. The desired automated procedure assumes that after the initial acquisition of the necessary spatial data, an expert is presented with a (possibly small) representative region of the whole terrain. Such a scenario assumes a supervised learning approach in which the expert performs mapping in the representative region and the map subsequentlyproduced is used for training the machine which would perform the mapping task in the rest of the area.
Klasifikace
Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
DE - Zemský magnetismus, geodesie, geografie
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GA205%2F09%2F1079" target="_blank" >GA205/09/1079: Metody umělé inteligence v GIS</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2011
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Engineering Geology
ISSN
0013-7952
e-ISSN
—
Svazek periodika
123
Číslo periodika v rámci svazku
3
Stát vydavatele periodika
NL - Nizozemsko
Počet stran výsledku
10
Strana od-do
225-234
Kód UT WoS článku
000297182200008
EID výsledku v databázi Scopus
—