ارسل ملاحظاتك

ارسل ملاحظاتك لنا







A Decision Support System Based on Machine Learning for Land Investment

العنوان بلغة أخرى: نظام دعم القرار القائم على التعلم الآلي لاستثمار الأراضي
المصدر: مجلة التربية والعلم
الناشر: جامعة الموصل - كلية التربية
المؤلف الرئيسي: العلي، ظفر حسين محمد (مؤلف)
المؤلف الرئيسي (الإنجليزية): Alali, Dhufr Hussein Mohammed
مؤلفين آخرين: عنان، تيمور (م. مشارك)
المجلد/العدد: مج32, ع4
محكمة: نعم
الدولة: العراق
التاريخ الميلادي: 2023
الصفحات: 34 - 47
ISSN: 1812-125X
رقم MD: 1468626
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: EduSearch
مواضيع:
كلمات المؤلف المفتاحية:
Deep Learning | Transfer Learning | Aerial Photograph | Classification
رابط المحتوى:
صورة الغلاف QR قانون
حفظ في:
LEADER 04209nam a22002417a 4500
001 2212895
041 |a eng 
044 |b العراق 
100 |a العلي، ظفر حسين محمد  |g Alali, Dhufr Hussein Mohammed  |e مؤلف  |9 778673 
245 |a A Decision Support System Based on Machine Learning for Land Investment 
246 |a نظام دعم القرار القائم على التعلم الآلي لاستثمار الأراضي 
260 |b جامعة الموصل - كلية التربية  |c 2023 
300 |a 34 - 47 
336 |a بحوث ومقالات  |b Article 
520 |a تقترح هذه الورقة البحثية منهجية لتصنيف الصور الجوية والأراضي باستخدام التعلم العميق مع التعلم التحويلي. تستخدم الدراسة مجموعة بيانات الصور الجوية (AID)، والتي تحتوي على مجموعة متنوعة من الصور الجوية مع 30 فئة مشهد. تتضمن المنهجية المقترحة المعالجة المسبقة للبيانات، وتقسيم مجموعة البيانات، وزيادة صورة التدريب، واختيار النموذج، وتدريب النموذج، والتقييم باستخدام مقاييس الأداء تمت مقارنة ثلاثة نماذج للشبكات العصبية (ResNet50 و VGG19 و(EfficientNetB3، ويتم اختيار أفضل نموذج بناء على مقاييس الأداء مثل الدقة والاستدعاء ودرجة F1 ومصفوفة الارتباك. أظهرت النتائج فاعلية المنهجية المقترحة في التصنيف الدقيق للصور الجوية. يشير هذا إلى أن EfficientNetB3 لديه قدرة أعلى على تصنيف الصور الجوية والأراضي مقارنة بـ ResNet 50 و VGG19 حقق ResNet50 أداء معتدلا مع دقة أقل نسبيا واسترجاع ودرجة F1 مقارنة بـ EfficientNetB3 من ناحية أخرى، أظهر VGG19 أدنى أداء عبر جميع المقاييس، حيث أظهر قيما منخفضة الدقة والتذكر ودرجات F1، ويمكن أن تساهم هذه النتائج في تطبيقات مختلفة مثل التخطيط الحضري والتطوير العقاري وإدارة الأراضي.  |b This research paper proposes a methodology for classifying aerial photographs and lands using deep learning with transfer learning. The study utilizes the Aerial Image Dataset (AID), which contains a diverse set of aerial images with 30 scene classes. The proposed methodology involves data preprocessing, dataset splitting, training images, model selection, model training, and evaluation using performance measures. Three neural network models (ResNet50, VGG19, and EfficientNetB3) are compared, and the best model is selected based on performance metrics such as precision, recall, F1-score, and the confusion matrix. The results show the effectiveness of the proposed methodology in accurately classifying aerial photographs. This indicates that EfficientNetB3 has a higher ability to classify aerial photographs and lands compared to ResNet50 and VGG19. ResNet50 achieved moderate performance with relatively lower precision, recall, and F1-score compared to EfficientNetB3. VGG19, on the other hand, demonstrated the lowest performance across all metrics, showing low precision, recall, and F1-score values. These results can contribute to various applications such as urban planning, real estate development, and land management. 
653 |a استراتيجيات التعليم  |a التعلم الآلي  |a استثمار الأراضي  |a دعم القرار 
692 |b Deep Learning  |b Transfer Learning  |b Aerial Photograph  |b Classification 
700 |a عنان، تيمور  |g Inan, Timur  |e م. مشارك  |9 778675 
773 |4 التربية والتعليم  |6 Education & Educational Research  |c 004  |e Journal of Education and Science  |f Mağallaẗ al-tarbiyaẗ wa-al-ʻilm  |l 004  |m مج32, ع4  |o 0168  |s مجلة التربية والعلم  |v 032  |x 1812-125X 
856 |u 0168-032-004-004.pdf 
930 |d n  |p y  |q n 
995 |a EduSearch 
999 |c 1468626  |d 1468626 

عناصر مشابهة