Výsledky vyhledávání

Landslide susceptibility mapping using J48 Decision Tree with AdaBoost, Bagging and Rotation Forest ensembles in the Guangchang area (China)

Autor: Hong, H, Liu, J, Bui, DT, Pradhan, B, Acharya, TD, Pham, BT, Zhu, AX, Chen, W, Ahmad, BB

© 2018 Elsevier B.V. Landslides are a manifestation of slope instability causing different kinds of damage affecting life and property. Therefore, high-performance-based landslide prediction models are useful to government institutions for developin

Externí odkaz: https://explore.openaire.eu/search/publication?articleId=od_______363::3fe1b1dce310c2eaf92362e77dcc62ab
https://hdl.handle.net/10453/130827

Zobrazit plný text záznamu

Landslide susceptibility modelling using GIS-based machine learning techniques for Chongren County, Jiangxi Province, China

Autor: Chen, W, Peng, J, Hong, H, Shahabi, H, Pradhan, B, Liu, J, Zhu, AX, Pei, X, Duan, Z

© 2018 Elsevier B.V. The preparation of a landslide susceptibility map is considered to be the first step for landslide hazard mitigation and risk assessment. However, these maps are accepted as end products that can be used for land use planning. T

Externí odkaz: https://explore.openaire.eu/search/publication?articleId=od_______363::65e7afb43e1bf0cd9c92684c2709c41b
https://hdl.handle.net/10453/130824

Zobrazit plný text záznamu

A novel hybrid integration model using support vector machines and random subspace for weather-triggered landslide susceptibility assessment in the Wuning area (China)

Autor: Hong, H, Liu, J, Zhu, AX, Shahabi, H, Pham, BT, Chen, W, Pradhan, B, Bui, DT

© Springer-Verlag GmbH Germany 2017. This study proposed a hybrid modeling approach using two methods, support vector machines and random subspace, to create a novel model named random subspace-based support vector machines (RSSVM) for assessing lan

Externí odkaz: https://explore.openaire.eu/search/publication?articleId=od_______363::de6482c6cd15b5215c2c4e011c31b3e3
https://hdl.handle.net/10453/121498

Zobrazit plný text záznamu

Developing a continental-scale measure of gross primary production by combining MODIS and AmeriFlux data through Support Vector Machine approach

Autor: Yang, F, Ichii, K, White, MA, Hashimoto, H, Michaelis, AR, Votava, P, Zhu, AX, Huete, A, Running, SW, Nemani, RR

Remote sensing is a potentially powerful technology with which to extrapolate eddy covariance-based gross primary production (GPP) to continental scales. In support of this concept, we used meteorological and flux data from the AmeriFlux network and

Externí odkaz: https://explore.openaire.eu/search/publication?articleId=od_______363::0e80f72c4dbf9a0312fb414e6a0432e5
https://hdl.handle.net/10453/9335

Zobrazit plný text záznamu

Akademický článek

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Akademický článek

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Akademický článek

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Akademický článek

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Akademický článek

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Vyhledávací nástroje:

Upřesnit hledání