Maschinenlernen versus Deep Learning in der Landnutzungswissenschaft: ein Entscheidungsrahmen für effektive Landklassifizierung

Diese Übersicht untersucht den vergleichenden Nutzen von Maschinenlernen (ML) und Deep Learning (DL) bei Klassifizierungsaufgaben in der Landnutzungswissenschaft (LSS). Durch eine umfassende Bewertung zeigt die Studie, dass, obwohl DL-Techniken transformative Potenziale aufweisen, ihre Anwendung in der LSS oft Herausforderungen in Bezug auf Datenverfügbarkeit, rechnerische Anforderungen, Modellinterpretierbarkeit und Überanpassung gegenübersteht. In vielen Fällen bieten traditionelle ML-Modelle derzeit effektivere Lösungen, wie in unserem Entscheidungsrahmen veranschaulicht. Integrative Möglichkeiten zur Verbesserung der Klassifikationsgenauigkeit umfassen die Datenintegration aus verschiedenen Quellen, die Entwicklung fortschrittlicher DL-Architekturen, die Nutzung unüberwachtes Lernens und die Einbringung domänenspezifischen Wissens. Die Forschung betont auch die Notwendigkeit regelmäßiger Modellevaluationen, die Schaffung diversifizierter Trainingsdatensätze und die Förderung interdisziplinärer Zusammenarbeit. Darüber hinaus, obwohl das Potenzial von DL für zukünftige Fortschritte in der LSS unbestreitbar ist, neigen gegenwärtige Überlegungen oft dazu, ML-Modelle für viele Klassifizierungsschemata zu bevorzugen. Diese Übersicht dient als Leitfaden für Forscher und betont die Bedeutung der Auswahl der richtigen rechnerischen Werkzeuge in der sich entwickelnden Landschaft der LSS, um zuverlässige und differenzierte Daten zu Veränderungen der Landnutzung zu erzielen.