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 merOrganisationer och upphovspersoner
Geologiska forskningscentralen
Mattbäck Stefan
Publikationstyp
Publikationsform
Artikel
Moderpublikationens typ
Konferens
Artikelstyp
Annan artikel
Målgrupp
VetenskapligKollegialt utvärderad
Kollegialt utvärderadUKM:s publikationstyp
A4 Artikel i en konferenspublikationPublikationskanalens uppgifter
Journal/Serie
Moderpublikationens namn
Förläggare
Sidor
614-625
ISSN
ISBN
Publikationsforum
Publikationsforumsnivå
1
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