ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique
Autres revues >>
Revue Internationale de Géomatique
1260-5875
International Journal of Geomatics and Spatial Analysis
 

 ARTICLE VOL 17/3-4 - 2007  - pp.309-331  - doi:10.3166/geo.17.309-331
TITLE
Mapping of environmental data using kernel-based methods

RÉSUMÉ
Ces dernières années, les méthodes d’apprentissage machine (machine learning) ont connu une grande popularité dans plusieurs domaines d’application comme, sans être exhaustifs, la reconnaissance vocale, la vision par ordinateur ou la télédétection. Ce papier est une revue d’applications de méthodes à noyau (aussi appelées kernel methods) pour l’analyse de données environnementales. Plusieurs études sont présentées : la classification de données catégorielles (types de sol), la cartographie de la pollution (contamination des sols par les radionucléides) et l’intégration d’information auxiliaire à des modèles purement spatiaux (modélisation de la température dans la région de la mer d’Aral). D’autres applications novatrices, comme la cartographie automatique des phénomènes extrêmes ou l’optimisation des réseaux de monitoring, sont également discutées.

ABSTRACT
Recently, kernel-based Machine Learning methods have gained great popularity in many data analysis and data mining fields: pattern recognition, biocomputing, speech and vision, engineering, remote sensing etc. The paper describes the use of kernel methods to approach the processing of large datasets from environmental monitoring networks. Several typical problems of the environmental sciences and their solutions provided by kernel-based methods are considered: classification of categorical data (soil type classification), mapping of environmental and pollution continuous information (pollution of soil by radionuclides), mapping with auxiliary information (climatic data from Aral Sea region). The promising developments, such as automatic emergency hot spot detection and monitoring network optimization are discussed as well.

AUTEUR(S)
Mikhail KANEVSKI, Alexei POZDNOUKHOV, Vadim TIMONIN, Michel MAIGNAN

MOTS-CLÉS
apprentissage automatique, méthodes à noyau, réseaux neuronaux, analyse de données environnementales, optimisation des réseaux de monitoring.

KEYWORDS
machine learning algorithms, kernel-based methods, Statistical Learning Theory (SLT), General Regression Neural Networks (GRNN), Support Vector Regression (SVR), Radial Basis Function Neural Networks (RBFNN), Support Vector Machines (SVM), Probabilistic Neural Networks (PNN).

LANGUE DE L'ARTICLE
Anglais

 PRIX
• Abonné (hors accès direct) : 12.5 €
• Non abonné : 25.0 €
|
|
--> Tous les articles sont dans un format PDF protégé 
   
ACCÉDER A L'ARTICLE COMPLET  (7,94 Mo)
--> NÉCESSITE ADOBE DIGITAL EDITIONS :



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
made by WAW Lavoisier