Существует множество алгоритмов машинного обучения (ML) для классификации почвенно-растительного покрова и землепользования. В этой книге мы сосредоточимся на относительно зрелых методах (семь методов): машины векторов поддержки (SVM), деревья решений (DT), искусственные нейронные сети, k-nearest neighbours (k-NN), naïve Bayes, Boosting и Random forest (RF).Точный и своевременный сбор информации о городском землепользовании и почвенно-растительном покрове имеет решающее значение для многих аспектов городского развития и охраны окружающей среды.Точная классификация почвенно-растительного покрова является сложной задачей. Улучшение классификации почвенно-растительного покрова является актуальной темой. Она необходима для многих приложений, таких как картографирование землепользования, экологический мониторинг, управление природными ресурсами, городское планирование, управление и обнаружение изменений. Затем был изучен ряд ансамблевых методов для объединения различных классификаторов.