Classification of land use/land cover using artificial intelligence (ANN-RF) تصنيف استخدام الأراضي/الغطاء الأرضي باستخدام الذكاء الاصطناعي (ANN - RF) Classification de l'utilisation des terres/de la couverture terrestre à l'aide de l'intelligence artificielle (ANN-RF) Clasificación del uso del suelo/cobertura del suelo mediante inteligencia artificial (ANN-RF)

Because deep learning has various downsides, such as complexity, expense, and the need to wait longer for results, this creates a significant incentive and impetus to invent and adopt the notion of developing machine learning because it is simple. This study intended to increase the accuracy of machine-learning approaches for land use/land cover classification using Sentinel-2A, and Landsat-8 satellites. This study aimed to implement a proposed method, neural-based with object-based, to produce a model addressed by artificial neural networks (limited parameters) with random forest (hyperparameter) called ANN_RF. This study used multispectral satellite images (Sentinel-2A and Landsat-8) and a normalized digital elevation model as input datasets for the Sana'a city map of 2016. The results showed that the accuracy of the proposed model (ANN_RF) is better than the ANN classifier with the Sentinel-2A and Landsat-8 satellites individually, which may contribute to the development of machine learning through newer researchers and specialists; it also conventionally developed traditional artificial neural networks with seven to ten layers but with access to 1,000's and millions of simulated neurons without resorting to deep learning techniques (ANN_RF). نظرًا لأن التعلم العميق له جوانب سلبية مختلفة، مثل التعقيد والنفقات والحاجة إلى الانتظار لفترة أطول للحصول على النتائج، فإن هذا يخلق حافزًا وزخمًا كبيرين لابتكار وتبني فكرة تطوير التعلم الآلي لأنها بسيطة. تهدف هذه الدراسة إلى زيادة دقة مناهج التعلم الآلي لتصنيف استخدام الأراضي/الغطاء الأرضي باستخدام الأقمار الصناعية Sentinel -2A و Landsat -8. هدفت هذه الدراسة إلى تنفيذ طريقة مقترحة، تعتمد على الأعصاب مع الكائن، لإنتاج نموذج تتناوله الشبكات العصبية الاصطناعية (معلمات محدودة) مع غابة عشوائية (معلمة فائقة) تسمى ANN_RF. استخدمت هذه الدراسة صور الأقمار الصناعية متعددة الأطياف (Sentinel -2A و Landsat -8) ونموذج الارتفاع الرقمي الطبيعي كمجموعات بيانات مدخلات لخريطة مدينة صنعاء لعام 2016. أظهرت النتائج أن دقة النموذج المقترح (ANN_RF) أفضل من مصنف ANN مع أقمار Sentinel -2A و Landsat -8 بشكل فردي، مما قد يساهم في تطوير التعلم الآلي من خلال الباحثين والمتخصصين الجدد ؛ كما طور تقليديًا شبكات عصبية اصطناعية تقليدية من سبع إلى عشر طبقات ولكن مع إمكانية الوصول إلى 1000 وملايين الخلايا العصبية المحاكاة دون اللجوء إلى تقنيات التعلم العميق (ANN_RF). Parce que l'apprentissage profond a divers inconvénients, tels que la complexité, les dépenses et la nécessité d'attendre plus longtemps pour obtenir des résultats, cela crée une incitation et une impulsion importantes pour inventer et adopter la notion de développement de l'apprentissage automatique parce que c'est simple. Cette étude visait à accroître la précision des approches d'apprentissage automatique pour la classification de l'utilisation des terres/de la couverture terrestre à l'aide des satellites Sentinel-2A et Landsat-8. Cette étude visait à mettre en œuvre une méthode proposée, basée sur les neurones et les objets, pour produire un modèle adressé par des réseaux de neurones artificiels (paramètres limités) avec une forêt aléatoire (hyperparamètre) appelée ANN_RF. Cette étude a utilisé des images satellitaires multispectrales (Sentinel-2A et Landsat-8) et un modèle d'élévation numérique normalisé comme ensembles de données d'entrée pour la carte de la ville de Sanaa de 2016. Les résultats ont montré que la précision du modèle proposé (ANN_RF) est meilleure que le classificateur ANN avec les satellites Sentinel-2A et Landsat-8 individuellement, ce qui peut contribuer au développement de l'apprentissage automatique par de nouveaux chercheurs et spécialistes ; il a également développé de manière conventionnelle des réseaux de neurones artificiels traditionnels avec sept à dix couches mais avec un accès à des milliers et des millions de neurones simulés sans recourir à des techniques d'apprentissage en profondeur (ANN_RF). Debido a que el aprendizaje profundo tiene varias desventajas, como la complejidad, el gasto y la necesidad de esperar más tiempo para obtener resultados, esto crea un incentivo e ímpetu significativos para inventar y adoptar la noción de desarrollar el aprendizaje automático porque es simple. Este estudio pretendía aumentar la precisión de los enfoques de aprendizaje automático para la clasificación del uso de la tierra/cobertura de la tierra utilizando los satélites Sentinel-2A y Landsat-8. Este estudio tuvo como objetivo implementar un método propuesto, basado en neuronas con objetos, para producir un modelo abordado por redes neuronales artificiales (parámetros limitados) con bosque aleatorio (hiperparámetro) llamado ANN_RF. Este estudio utilizó imágenes satelitales multiespectrales (Sentinel-2A y Landsat-8) y un modelo de elevación digital normalizado como conjuntos de datos de entrada para el mapa de la ciudad de Sana'a de 2016. Los resultados mostraron que la precisión del modelo propuesto (ANN_RF) es mejor que el clasificador ANN con los satélites Sentinel-2A y Landsat-8 individualmente, lo que puede contribuir al desarrollo del aprendizaje automático a través de investigadores y especialistas más nuevos; también desarrolló convencionalmente redes neuronales artificiales tradicionales con siete a diez capas pero con acceso a 1.000 y millones de neuronas simuladas sin recurrir a técnicas de aprendizaje profundo (ANN_RF).