Ada Ada Heterog
Ada Ada Heterog
dengan hutan
LST
Hari
LST
Malam
(di
Kelvin)
30 25 20 15 10 5 0 -5
T1 T2 T3 T4 T6T5
tabel II
HASIL EVALUASI SKEMA MELIBATKAN k-means WAKTU SERIES, DENGAN NILAI BERVARIASI DARI k
Menggunakan LST Logistic Linear Reg. Pohon Model Corr 1 - R2 Corr 1 - R2 Corr 1 - R2
Dasar 0,7394 0,4553 0,7197 0,4871 0,7414 0,4528 k = 6 0,8432 0,2956 0,8431 0,2969 0,8364 0,3071 k =
8 0,8496 0,2878 0,8492 0,2894 0,8399 0,3041 k = 12 0,8566 0,2787 0,8560 0,2804 0,8459 0,2966
Menggunakan NDVI Logistic Linear Reg. Pohon Model Corr 1 - R2 Corr 1 - R2 Corr 1 - R2
Dasar 0,8416 0,2959 0,8179 0,3383 0,8434 0,2972 k = 6 0,8548 0,2731 0,8599 0,2652 0,8521 0,2785 k =
8 0,8629 0,2582 0,8648 0,2551 0,8523 0,2767 k = 12 0,8691 0,2469 0,8685 0,2481 0,8531 0,2761
Menggunakan EVI Logistic Linear Reg. Pohon Model Corr 1 - R2 Corr 1 - R2 Corr 1 - R2
Dasar 0,7428 0,4562 0,7126 0,5036 0,7527 0,4383 k = 6 0,8464 0,2943 0,8450 0,2969 0,8364 0,3096 k =
8 0,8547 0,2818 0,8534 0,2840 0,8430 0,3001 k = 12 0,8610 0,2726 0,8602 0,2739 0,8439 0,3003
mencakup di lokasi tertentu pada tahun tertentu. Mengembangkan kerangka regresi tunggal yang model
perilaku setiap jenis vegetasi dengan tutupan hutan sehingga meningkatkan kompleksitas masalah,
dapat mempengaruhi kinerja algoritma. Dalam tulisan ini, kami menjelajahi teknik yang menggabungkan
informasi tentang jenis vegetasi di lokasi tertentu untuk pemodelan hubungan perilaku khas dengan
tutupan hutan. Berikut dua pendekatan yang diusulkan dan dievaluasi untuk segmentasi ruang data: (a)
partisi ruang fitur, dan (b) clus- tering time series. Sebuah algoritma regresi yang berbeda kemudian
dikembangkan untuk setiap segmen terdeteksi. hasil eksperimen dari teknik yang diusulkan
menunjukkan peningkatan yang signifikan dalam kinerja sejumlah algoritma pembelajaran: regresi
logistik, regresi linier, dan pohon regresi, baik menggunakan LST, NDVI, atau EVI sebagai variabel
prediktor.
teknik yang diusulkan memberikan wawasan awal ke dalam peran jenis vegetasi dalam pemodelan
tutupan hutan menunjukkan signifikan lingkup fi kan untuk pekerjaan di masa depan dalam arah ini.
Dengan menganalisis residual dalam jenis vegetasi yang berbeda, dapat diamati bahwa model dapat
lebih ditingkatkan dengan menggunakan teknik ekstraksi fitur yang menangkap informasi dalam
beberapa dataset terbaik. Secara khusus, yang plementarities com- dari beberapa dataset penginderaan
jauh dapat dimanfaatkan untuk membangun representasi yang lebih kuat dari informasi tentang jenis
vegetasi. Teknik yang diusulkan untuk menggabungkan informasi tentang jenis vegetasi dapat lebih
ditingkatkan dengan mengeksplorasi metode ensemble menggunakan pilihan fitur dan ruang fitur
partisi. Struktur spasial dan temporal dalam data dapat dimanfaatkan untuk membangun model regresi
yang lebih akurat. Selanjutnya, teknik regularisasi dapat dieksplorasi untuk mencegah model lokal dari
lebih fi tting di hadapan dataset training dengan ukuran sampel yang kecil. Akhirnya, memperoleh
pendekatan yang diusulkan dapat diterapkan dan dievaluasi di beberapa daerah studi, dan dalam
domain regresi berbasis vegetasi lain yang melibatkan heterogeneities menarik dan representable dalam
data.
VI