Мне интересно узнать, какое программное обеспечение существует для классификации земель с использованием алгоритмов машинного обучения (например, k-NN, Random Forest, деревья решений и т. Д.). Мне известен пакет randomForest в R и MILK и SPy в Python.
Какие существуют открытые или коммерческие алгоритмы машинного обучения, которые подходят для классификации земного покрова?
Ответы:
Я бы сказал, что наиболее полной программной средой для машинного обучения и непараметрического моделирования является R. Это большая область статистики, охватывающая K-NN, сглаживание ядра, общие аддитивные модели, слабые ученики, векторы поддержки, нейронные сети, полу -параметрическая сплайн-регрессия, импутация и т. д. Я очень рекомендую прочесть: Хасти Т., Р. Тибширани, Дж. Фридман (2009) Элементы статистического обучения: сбор данных, вывод и прогнозирование. Серия Springer в статистике.
Помимо R, коммерческое программное обеспечение Salford Systems имеет случайные леса, многовариантные адаптивные сплайны регрессии, CART и градиентное усиление (TreeNet), доступные в среде GUI. RuleQuest все еще продает See5 / C5, который является обновленной версией алгоритма CART C4 / ID3. Weka 3 из Университета Вайкато - это проект с открытым исходным кодом GUI / Commandline Java с большим количеством доступных моделей.
Я настоятельно рекомендую scikits-learn для Python. Он поддерживает контролируемую и неконтролируемую классификацию и отличную документацию (особенно ознакомьтесь с учебным пособием «Машинное обучение для анализа астрономических данных» и сопутствующим видео на YouTube (примечание: это 3 часа)).
Проект находится в стадии активной разработки, последняя версия - 0.12, выпущенная в сентябре.
Относительно того, на что способен пакет, см. Примеры ближайших соседей , Случайный лес (в разделе Методы ансамбля) и Деревья решений .
К сожалению, нет графического интерфейса, если вы не хотите тратить время на его создание, но я бы порекомендовал iPython IDE в качестве отличной интерактивной среды сценариев, включая встроенные графики с matplotlib в консоли QT.
Хорошим обзором методов машинного обучения в R является обзор задач машинного обучения . Он предлагает множество различных алгоритмов, рекомендованных экспертами.
Ваш вопрос предполагает, что алгоритмы машинного обучения для классификации земель чем-то отличаются от программного обеспечения, используемого для других приложений машинного обучения. Есть некоторые приложения, которые требуют особой обработки из-за необычных характеристик, но я не знаю, почему я думаю, что землепользование требует особой обработки. Если данные о землепользовании можно поместить в стандартную форму с разделителями-запятыми, существующие инструменты, такие как R, должны подойти. Теперь может быть или не быть программное обеспечение Land Use, которое использует модели, обнаруженные с помощью методов машинного обучения, но это другой вопрос.
Отредактировано после первого ответа. -> Большинство основных пакетов для машинного обучения имеют некоторые инструменты для пространственной визуализации, хотя, конечно, они могут не соответствовать вашим конкретным потребностям. Например, вы знакомы с библиотекой sp для R, которая предназначена для визуализации пространственных данных? Посмотрим, смогу ли я найти подходящую ссылку, которая даст представление о том, что вы можете с ней сделать.
http://rwiki.sciviews.org/doku.php?id=tips:spatial-data:spatial_data_visualization Более подробный список инструментов, полезных для пространственного анализа в R, вы можете посмотреть на http: //cran.r- project.org/web/views/Spatial.html, поскольку включает инструменты для геостатистики, экологического анализа и тому подобное.
В Университете Дьюка есть группа, которая разработала несколько интересных инструментов для работы с ArcGIS, включая модели случайных лесов.
Инструменты морской геопространственной экологии
Вы также можете выполнить классификацию земель с помощью плагина DTclassifier (классификатор дерева решений) для QGIS . Он предоставляет простой интерфейс для классификации растровых данных с использованием деревьев решений для выполнения в QGIS.
