Landslide susceptibility assessment using SVM machine learning algorithm

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>

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.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

DE - Zemský magnetismus, geodesie, geografie

OECD FORD obor

—

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)

Rok uplatnění

2011

Kód důvěrnosti údajů

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

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

—