Ich werde Remote-Sensing-Machine-Learning mit Random Forest, XGBoost und SHAP durchführen
GIS- und Fernerkundungsexperte für InSAR und Google Earth Engine
Über diesen Service
Maschinelles Lernen für Satelliten- und Umwelt Daten – so, wie es Reviewer erwarten. Ich bin Doktorand im Fernerkundungsbereich an der Tianjin University (MS CUG Wuhan) und baue ML-Modelle für Landbedeckung, Wasser, Wärme und Gefahrenkartierung. Ein Beispiel aus meiner Galerie: XGBoost + SHAP erklärt die urbane Landoberflächentemperatur (R2 0,75 in einer räumlich gehaltenen Testzone).
WAS ICH MACHE: Landbedeckung / Ernte / Waldklassifikation (Random Forest, SVM, XGBoost, LightGBM); Regression und Prognose (Wasserqualität, Chlorophyll-a, LST, Luftverschmutzung, Biomasse, Bodentrockenheit, Ertrag); erklärbare KI mit SHAP und Feature-Importance; räumliche Kreuzvalidierung (kein Datenleck); Unsicherheitskarten und Vorhersageintervalle; Genauigkeitsbewertung (OA, Kappa, R2, RMSE).
Daten: Sentinel-1/2, Landsat, MODIS, VIIRS, GEDI, ERA5, In-situ- und Felddaten. Werkzeuge: Python (scikit-learn, XGBoost, SHAP, PyTorch), R, Google Earth Engine.
Du bekommst sauberen, kommentierten Code, Karten und Plots, bereit für eine Arbeit oder einen Bericht, und eine kurze Methodenbeschreibung. Schreib mir zuerst mit deinen Daten und Zielen, dann schlage ich dir das passende Modell vor.
Programmiersprache:
Python
•
R
•
MATLAB
•
Colab
Frameworks:
scikit-learn
•
keras
•
PyTorch
•
Panda
Tools:
Jupyter-Notizbuch
•
Excel
•
Colab
•
RStudio
Meine weiteren Dienstleistungen im Bereich Datenwissenschaft & ML
FAQ
Automatische Übersetzung
Kann ich meine eigenen Daten mitbringen?
Ja. Schick mir deine CSVs, Rasterdaten oder Shapefiles. Wenn du keine Daten hast, erstelle ich das Dataset aus freien Satellitenarchiven.
Werden die Ergebnisse veröffentlicht werden können?
Ich beachte gute Praxis für Veröffentlichungen: räumliche Kreuzvalidierung, unabhängige Testdaten, Unsicherheit und klaren Methoden-Text. Viele meiner Abbildungen stammen aus begutachteten Arbeiten.

