Farò apprendimento automatico da telerilevamento usando random forest, xgboost e shap
Esperto di GIS e telerilevamento per InSAR e Google Earth Engine
Informazioni su questo servizio
Apprendimento automatico per dati satellitari e ambientali, fatto nel modo in cui gli revisori si aspettano. Sono un ricercatore di dottorato in telerilevamento all'Università di Tianjin (MS CUG Wuhan) e costruisco modelli ML per la mappa di copertura del suolo, acqua, calore e rischi. Esempio nella mia galleria: XGBoost + SHAP che spiegano la temperatura superficiale del suolo urbano (R2 0.75 in una zona di test spatialmente esclusa).
COSA FACCIO: classificazione di copertura del suolo / colture / foreste (Random Forest, SVM, XGBoost, LightGBM); regressione e previsione (qualità dell'acqua, clorofilla-a, LST, inquinamento atmosferico, biomassa, umidità del suolo, resa); IA spiegabile con SHAP e importanza delle feature; cross-validazione spaziale (assenza di leakage dei dati); mappe di incertezza e intervalli di previsione; valutazione dell'accuratezza (OA, kappa, R2, RMSE).
DATI: Sentinel-1/2, Landsat, MODIS, VIIRS, GEDI, ERA5, dati in situ e di campo. Strumenti: Python (scikit-learn, XGBoost, SHAP, PyTorch), R, Google Earth Engine.
Avrai codice pulito, commentato, mappe e grafici pronti per un articolo o una relazione, e una breve descrizione dei metodi. Scrivimi prima con i tuoi dati e l'obiettivo e ti proporrò il modello giusto.
Linguaggio di programmazione:
Python
•
R
•
MATLAB
•
Colab
Framework:
Scikit-learn
•
keras
•
PyTorch
•
Panda
Strumenti:
Quaderno jupyter
•
Excel
•
Colab
•
RStudio
Altri servizi della categoria Data science e ML offerti da me
FAQ
Traduzione automatica.
Posso portare i miei dati?
Sì. Inviami i tuoi CSV, raster o shapefile. Se non hai dati, posso costruire il dataset dagli archivi satellitari gratuiti.
I risultati saranno pubblicabili?
Seguo buone pratiche per i lavori di ricerca: validazione incrociata spaziale, set di test indipendenti, incertezza e testo chiaro sui metodi. Molte delle mie figure derivano da lavori sottoposti a peer review.

