undefined

Acid Sulfate Soils Classification and Prediction from Environmental Covariates Using Extreme Learning Machines

Publiceringsår

2023

Upphovspersoner

Atsemegiorgis, Tamirat; Espinosa-Leal, Leonardo; Lendasse, Amaury; Mattbäck, Stefan; Björk, Kaj-Mikael; Akusok, Anton

Abstrakt

<p>This paper explores the performance of the Extreme Learning Machine (ELM) in an acid sulfate soil classification task. ELM is an Artificial Neuron Network with a new learning method. The dataset comes from Finland’s west coast region, containing point observations and environmental covariates datasets. The experimental results show similar overall accuracy of ELM and Random Forest models. However, ELM implementation is easy, fast, and requires minimal human intervention compared to conventional ML methods like Random Forest.</p>
Visa mer

Organisationer och upphovspersoner

Yrkeshögskolan Arcada

Akusok Anton Orcid -palvelun logo

Björk Kaj-Mikael Orcid -palvelun logo

Espinosa-Leal Leonardo Orcid -palvelun logo

Åbo Akademi

Mattbäck Stefan

Björk Kaj Mikael

Publikationstyp

Publikationsform

Artikel

Moderpublikationens typ

Konferens

Artikelstyp

Annan artikel

Målgrupp

Vetenskaplig

Kollegialt utvärderad

Kollegialt utvärderad

UKM:s publikationstyp

A4 Artikel i en konferenspublikation

Öppen tillgång

Öppen tillgänglighet i förläggarens tjänst

Nej

Parallellsparad

Nej

Övriga uppgifter

Vetenskapsområden

Data- och informationsvetenskap; Övrig teknik och teknologi; Geovetenskaper

Nyckelord

[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

Publiceringsland

Tyskland

Förlagets internationalitet

Internationell

Språk

engelska

Internationell sampublikation

Ja

Sampublikation med ett företag

Nej

DOI

10.1007/978-3-031-43085-5_49

Publikationen ingår i undervisnings- och kulturministeriets datainsamling

Ja