Deep Learning for the Earth Sciences : A Comprehensive Approach to Remote Sensing, Climate Science and Geosciences /
1) Introducción. I. Aprendizaje profundo para extraer información de imágenes de teledetección: 2) Aprendizaje de representaciones de características no supervisadas de datos de teledetección con redes convolucionales dispersas; 3) Redes generativas adversarias en las geociencias; 4) Aprendizaje aut...
Kaydedildi:
| Diğer Yazarlar: | |
|---|---|
| Materyal Türü: | Kitap |
| Dil: | İngilizce |
| Baskı/Yayın Bilgisi: |
Hoboken, EUA :
Wiley,
2021, c2021
|
| Konular: | |
| Online Erişim: | Ver documento en línea |
| Etiketler: |
Etiket eklenmemiş, İlk siz ekleyin!
|
| Özet: | 1) Introducción. I. Aprendizaje profundo para extraer información de imágenes de teledetección: 2) Aprendizaje de representaciones de características no supervisadas de datos de teledetección con redes convolucionales dispersas; 3) Redes generativas adversarias en las geociencias; 4) Aprendizaje auto-aprendido profundo en teledetección; 5) Segmentación semántica basada en aprendizaje profundo en teledetección; 6) Detección de objetos en teledetección; 7) Adaptación de dominio profundo en observación de la Tierra; 8) Redes neuronales recurrentes y el componente temporal; 9) Aprendizaje profundo para coincidencia y corregistro de imágenes; 10) Fusión de imágenes de teledetección de múltiples fuentes; 11) Aprendizaje profundo para búsqueda y recuperación de imágenes en grandes archivos de teledetección. II. Marcando la diferencia en las geociencias con aprendizaje profundo: 12) Aprendizaje profundo para detectar patrones climáticos extremos; 13) Autoencoders espacio-temporales en investigación meteorológica y climática; 14) Aprendizaje profundo para mejorar las predicciones meteorológicas; 15) Aprendizaje profundo y el problema de la predicción meteorológica: predicción inmediata de precipitaciones; 16) Aprendizaje profundo para la recuperación de parámetros de alta dimensión; 17) Una revisión del aprendizaje profundo para estudios criosféricos; 18) Emulación de la memoria ecológica con redes neuronales recurrentes. III. Vinculación de la física y los modelos de aprendizaje profundo: 19) Aplicaciones del aprendizaje profundo en hidrología; 20) Aprendizaje profundo de procesos oceánicos turbulentos no resueltos en modelos climáticos; 21) Aprendizaje profundo para la parametrización de procesos subgrid en modelos climáticos; 22) Uso del aprendizaje profundo para corregir modelos derivados teóricamente. |
|---|---|
| Fiziksel Özellikler: | 1 libro electrónico en línea (XXVI, 405 p.) 1 recurso en línea |
| İzleyiciler: | Wiley 2026 EEnlace Departamento de Electrónica, Sistemas e Informática |
| ISBN: | 9781119646150 |
| Erişim: | Licencias ilimitadas |