Zobrazeno 1 - 10
of 20
pro vyhledávání: '"multisource remotely sensed data"'
Autor:
Md Didarul Islam, Liping Di, Chen Zhang, Ruixin Yang, John J. Qu, Daniel Tong, Liying Guo, Li Lin, Aran Pandey
Publikováno v:
IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol 17, Pp 8271-8290 (2024)
This article presents a streamlined, automated classification method to map land-cover-type local climate zones (LCZs). Using a two-phase hybrid approach, we first generated training samples through universal decision rules and subsequently, a machin
Externí odkaz:
https://doaj.org/article/13eb260620cc4e2d8ab5acc04c637918
Publikováno v:
Journal of Flood Risk Management, Vol 17, Iss 1, Pp n/a-n/a (2024)
Abstract Snowmelt floods are highly hazardous meteorological disasters that can potentially threaten human lives and property. Hence, snowmelt susceptibility mapping (SSM) plays an important role in flood prevention systems and aids emergency respond
Externí odkaz:
https://doaj.org/article/635cb0d49f68435490d8ff028e5d057a
Publikováno v:
Forests, Vol 14, Iss 7, p 1392 (2023)
With the wide availability of remotely sensed data from various sensors, fusion-based tree species classification approaches have emerged as a prominent and ongoing research topic. However, most recent studies primarily focused on combining multisour
Externí odkaz:
https://doaj.org/article/70b5c59b06884698a0459c723794a9c0
Autor:
Md Didarul Islam, Liping Di, Faisal Mueen Qamer, Sravan Shrestha, Liying Guo, Li Lin, Timothy J. Mayer, Aparna R. Phalke
Publikováno v:
Remote Sensing, Vol 15, Iss 9, p 2374 (2023)
This study developed a rapid rice yield estimation workflow and customized yield prediction model by integrating remote sensing and meteorological data with machine learning (ML). Several issues need to be addressed while developing a crop yield esti
Externí odkaz:
https://doaj.org/article/05ed05ccde4748108d865378e574dabe
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Forests; Volume 14; Issue 7; Pages: 1392
With the wide availability of remotely sensed data from various sensors, fusion-based tree species classification approaches have emerged as a prominent and ongoing research topic. However, most recent studies primarily focused on combining multisour
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=multidiscipl::ef5b7c2a7b6df5d9f81fa2cd5d280f10
Publikováno v:
IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol 8, Iss 10, Pp 4973-4992 (2015)
Land-cover datasets are crucial for research on eco-hydrological processes and earth system modeling. Many land-cover datasets have been derived from remote-sensing data. However, their spatial resolutions are usually low and their classification acc
Externí odkaz:
https://doaj.org/article/87fc28afafda42519b8cd89dace7278f
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.