ISSN 0016-7126 (Print)
ISSN 2587-8492 (Online)
1. Беручашвили Н.Л. Четыре измерения ландшафта – М.: Мысль, – 1986. – 182 c. |
2. Кикин П. М., Колесников А. А., Портнов А. М., Грищенко Д. В. Анализ и прогнозирование пространственно-временных экологических показателей с использованием методов машинного обучения // ИнтерКарто. ИнтерГИС. – 2020. – Т. 26. – № 3. – С. 53–61. DOI: 10.35595/2414-9179-2020-3-26-53-61. |
3. Николаев В. А. Ландшафтоведение – М.: Изд-во МГУ, – 2000. – 94 c. |
4. Сочава В.Б. Введение в учение о геосистемах – Новосибирск: Наука, – 1978. – 320 c. |
5. Bengio Y., LeCun Y. (2007) Scaling learning algorithms towards AI // Large-scale kernel machines. 34 (5), pp. 1-41. |
6. Boureau Y. L., Ponce J., LeCun Y. (2010) A theoretical analysis of feature pooling in visual recognition. Proceedings of the 27th international conference on machine learning (ICML-10). Haifa, Israel pp. 111-118. |
7. Chollet F. (2017) Xception: Deep learning with depthwise separable convolutions. Proceedings of the IEEE conference on computer vision and pattern recognition. Honolulu, USA pp. 1251-1258. DOI: 10.1109/CVPR.2017.195. |
8. Helber P., Bischke B., Dengel A., Borth D. (2019) Eurosat: A novel dataset and deep learning benchmark for land use and land cover classification // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 12 (7), pp. 2217-2226. DOI: 10.1109/IGARSS.2018.8519248. |
9. Hu X., Weng Q. (2009) Estimating impervious surfaces from medium spatial resolution imagery using the self-organizing map and multi-layer perceptron neural networks // Remote Sensing of Environment. 113 (10), pp. 2089-2102. DOI: 10.1016/j.rse.2009.05.014. |
10. Ioffe S., Szegedy C. (2015) Batch normalization: Accelerating deep network training by reducing internal covariate shift. arXiv: 1502.03167 [cs. LG] URL: arxiv.org/pdf/1502.03167.pdf (дата обращения: 26.04.2022). |
11. Kim D. E., Gourbesville P., Liong S. Y. (2019) Overcoming data scarcity in flood hazard assessment using remote sensing and artificial neural network // Smart Water. 4 (1), 2 p. DOI: 10.1186/s40713-018-0014-5. |
12. Kussul N., Lavreniuk M., Skakun S., Shelestov A. (2017) Deep learning classification of land cover and crop types using remote sensing data // IEEE Geoscience and Remote Sensing Letters. 14 (5), pp. 778-782. DOI: 10.1109/LGRS.2017.2681128. |
13. LeCun Y., Bengio Y., Hinton G. (2015) Deep learning // Nature. 521 (7553), pp. 436. DOI: 10.1038/nature14539. |
14. Schowengerdt R. A. (2006) Remote sensing: models and methods for image processing, 3 ed Academic Press, Orlando, 843 p. |
15. Yamashkin S., Radovanovic M., Yamashkin A., Vukovic D. (2018) Using ensemble systems to study natural processes // Journal of Hydroinformatics. 20 (4), pp. 753-765. DOI: 10.2166/hydro.2018.076. |
Разработка алгоритма классификации данных дистанционного зондирования Земли с применением методов глубокого машинного обучения для анализа геосистемной модели территории // Геодезия и картография. – 2021. – № 4. – С. 54-64. DOI: 10.22389/0016-7126-2021-970-4-54-64 |