Classificateurs d'apprentissage automatique &Ensemble de classificateurs

Il existe un nombre croissant d'algorithmes d'apprentissage automatique pour classer la couverture et l'utilisation des sols. Dans cet ouvrage, nous nous concentrons sur les m thodes relativement matures (sept m thodes): machines vecteurs de support (SVM), arbres de d cision (DT), r seaux neuronaux artificiels, k-voisins les plus proches (k-NN), na ve Bayes, Boosting et Random forest (RF).La collecte pr cise et opportune d'informations sur l'utilisation et l'occupation des sols urbains est cruciale pour de nombreux aspects du d veloppement urbain et de la protection de l'environnement.La classification pr cise de l'occupation du sol est un d fi. L'am lioration de la classification de l'occupation des sols est un sujet d'actualit . Elle est n cessaire pour de nombreuses applications telles que la cartographie de l'occupation des sols, la surveillance de l'environnement, la gestion des ressources naturelles, la planification urbaine, la gestion et la d tection des changements. Ensuite, un certain nombre de m thodes d' chantillonnage ont t tudi es pour combiner diff rents classificateurs.