.png){kind=icon}
返回
Classification of Climate-Driven Geomorphic Provinces Using Supervised Machine Learning Methods
.png){kind=icon}
OA
AI
DOI：10.3390/app15189894.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
与全球和区域气候变化相关的物理和化学过程是塑造地球表面的重要因素。这些过程形成了地球表面各种侵蚀和沉积地貌。这些地貌反映了过去和现在气候条件的痕迹。本研究表明，地形态参数可以有效区分地形态和气候上不同的地貌区。在此背景下，利用地形态参数以及在土耳其观测到的柯本-格伊格气候分类开发了有监督机器学习模型。这些模型，包括随机森林、支持向量机和K近邻算法，均使用训练数据集开发。分类分析使用这些模型和独立于训练数据集的测试数据集进行。根据分类结果，随机森林、支持向量机和K近邻模型的整体准确率分别计算为99.27%、99.70%和99.30%。相应的kappa值分别为0.99、0.99和0.99。本研究表明，在分析中使用地形态参数中，最大高程、高程和谷深被确定为区分地貌区的重要参数。
Keyword:
geomorphometric parameters
climatic geomorphology
supervised machine learning
remote sensing
geographic information systems
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
A
IF:
2.5
论文数:
1.9K
被引数:
15.9W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏
查看更多内容