జియోఇన్ఫర్మేటిక్స్ & జియోస్టాటిస్టిక్స్: ఒక అవలోకనం

ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్ ఉపయోగించి కరువు ప్రాదేశిక ఆబ్జెక్ట్ ప్రిడిక్షన్ అప్రోచ్

బెర్హాన్ జి, తడేస్సే టి మరియు అట్నాఫు ఎస్

ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్ ఉపయోగించి కరువు ప్రాదేశిక ఆబ్జెక్ట్ ప్రిడిక్షన్ అప్రోచ్

ఆబ్జెక్ట్ ఐడెంటిఫికేషన్ మరియు మోడలింగ్ అనే భావన రిమోట్‌గా గ్రహించిన చిత్రాలను భౌగోళిక దృగ్విషయంగా మార్చడానికి సుదీర్ఘమైన శాస్త్రీయ ప్రయత్నానికి ఆజ్యం పోసింది. ఈ కథనం యొక్క లక్ష్యం మెరుగైన కరువు అంచనా మరియు ఉపగ్రహ చిత్రాల నుండి కరువు ప్రాదేశిక వస్తువులను వర్గీకరించడం మరియు గుర్తించడం మరియు బ్యాక్ ప్రొపగేషన్ ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్ (ANN) ఉపయోగించి తగ్గించడం కోసం ఒక కొత్త భావనను అభివృద్ధి చేయడం. కరువును ప్రాదేశిక వస్తువుగా వర్గీకరించడానికి, బహుళ-సెన్సర్‌లు మరియు రిజల్యూషన్‌ల నుండి 11 గుణాలు (సాధారణీకరించిన వ్యత్యాస వృక్ష సూచిక యొక్క ప్రామాణిక విచలనం [SDNDVI], డిజిటల్ ఎలివేషన్ మోడల్ [DEM], నేల నీటి హోల్డింగ్ కెపాసిటీ, పర్యావరణ ప్రాంతాలు, భూమి కవర్, ప్రామాణిక అవపాతం వంటివి సూచిక [SPI] మరియు సముద్ర సూచికలు ఉపయోగించబడ్డాయి.