Verfügbarkeit: Deep Learning for Geospatial Environmental Regression

Deep Learning for Geospatial Environmental Regression: = Deep Learning für Regressionsmodelle mit georäumlichen Umweltdaten

Gespeichert in:

Bibliographische Detailangaben
Beteilige Person:	Steininger, Michael 19XX- (VerfasserIn)
Format:	Hochschulschrift/Dissertation Buch
Sprache:	Englisch
Veröffentlicht:	Würzburg 2022
Schlagwörter:	Neuronales Netz Maschinelles Lernen Klimaänderung Modellierung Umweltinformationssystem Luftverschmutzung Geoinformationssystem Geospatial Environmental Regression Hochschulschrift Aufsatzsammlung
Links:	https://doi.org/10.25972/OPUS-31312
Beschreibung:	erschienen 2023
Umfang:	1 Band (verschiedene Seitenzählungen) Illustrationen, Diagramme
DOI:	10.25972/OPUS-31312

Internformat

MARC


LEADER	00000nam a2200000zc 4500
001	BV049032160
003	DE-604
005	20230803
007	t\|
008	230704s2022 gw a\|\|\| m\|\|\| 00\|\|\| eng d
015			\|a 23,O06 \|2 dnb
035			\|a (OCoLC)1389184364
035			\|a (DE-599)BVBBV049032160
040			\|a DE-604 \|b ger \|e rda
041	0		\|8 2\p \|a eng
044			\|a gw \|c XA-DE-BY
049			\|a DE-384 \|a DE-473 \|a DE-703 \|a DE-1051 \|a DE-824 \|a DE-29 \|a DE-12 \|a DE-91 \|a DE-19 \|a DE-1049 \|a DE-92 \|a DE-739 \|a DE-898 \|a DE-355 \|a DE-706 \|a DE-20 \|a DE-1102 \|a DE-860 \|a DE-2174
084			\|a ST 302 \|0 (DE-625)143652: \|2 rvk
084			\|a ST 301 \|0 (DE-625)143651: \|2 rvk
084			\|a RB 10104 \|0 (DE-625)142220:12617 \|2 rvk
084			\|8 1\p \|a 360 \|2 23sdnb
100	1		\|a Steininger, Michael \|d 19XX- \|e Verfasser \|0 (DE-588)1294878913 \|4 aut
245	1	0	\|a Deep Learning for Geospatial Environmental Regression \|b = Deep Learning für Regressionsmodelle mit georäumlichen Umweltdaten \|c vorgelegt von Michael Steininger
246	1	1	\|a Deep Learning für Regressionsmodelle mit georäumlichen Umweltdaten
264		1	\|a Würzburg \|c 2022
300			\|a 1 Band (verschiedene Seitenzählungen) \|b Illustrationen, Diagramme
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
500			\|a erschienen 2023
502			\|b Dissertation \|c Julius-Maximilians-Universität Würzburg \|d 2023 \|g kumulativ
546			\|a Zusammenfassung in deutscher und englischer Sprache
583	1		\|a Archivierung/Langzeitarchivierung gewährleistet \|5 DE-101 \|2 pdager
650	0	7	\|8 3\p \|a Neuronales Netz \|0 (DE-588)4226127-2 \|2 gnd
650	0	7	\|8 4\p \|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|2 gnd
650	0	7	\|8 5\p \|a Klimaänderung \|0 (DE-588)4164199-1 \|2 gnd
650	0	7	\|8 6\p \|a Modellierung \|0 (DE-588)4170297-9 \|2 gnd
650	0	7	\|8 7\p \|a Umweltinformationssystem \|0 (DE-588)4267581-9 \|2 gnd
650	0	7	\|8 8\p \|a Luftverschmutzung \|0 (DE-588)4074381-0 \|2 gnd
650	0	7	\|8 9\p \|a Geoinformationssystem \|0 (DE-588)4261642-6 \|2 gnd
653			\|a Geospatial
653			\|a Environmental
653			\|a Regression
655		7	\|0 (DE-588)4113937-9 \|a Hochschulschrift \|2 gnd-content
655		7	\|0 (DE-588)4143413-4 \|a Aufsatzsammlung \|2 gnd-content
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe \|o urn:nbn:de:bvb:20-opus-313121 \|o doi:10.25972/OPUS-31312
856	4	1	\|u https://doi.org/10.25972/OPUS-31312 \|x Resolving-System \|z kostenfrei \|3 Volltext
912			\|a ebook
883	0		\|8 1\p \|a emasg \|c 0,43886 \|d 20230516 \|q DE-101 \|u https://d-nb.info/provenance/plan#emasg
883	1		\|8 2\p \|a npi \|d 20230515 \|q DE-101 \|u https://d-nb.info/provenance/plan#npi
883	0		\|8 3\p \|a emagnd \|c 0,19309 \|d 20230516 \|q DE-101 \|u https://d-nb.info/provenance/plan#emagnd
883	0		\|8 4\p \|a emagnd \|c 0,15877 \|d 20230516 \|q DE-101 \|u https://d-nb.info/provenance/plan#emagnd
883	0		\|8 5\p \|a emagnd \|c 0,10189 \|d 20230516 \|q DE-101 \|u https://d-nb.info/provenance/plan#emagnd
883	0		\|8 6\p \|a emagnd \|c 0,07081 \|d 20230516 \|q DE-101 \|u https://d-nb.info/provenance/plan#emagnd
883	0		\|8 7\p \|a emagnd \|c 0,06843 \|d 20230516 \|q DE-101 \|u https://d-nb.info/provenance/plan#emagnd
883	0		\|8 8\p \|a emagnd \|c 0,06649 \|d 20230516 \|q DE-101 \|u https://d-nb.info/provenance/plan#emagnd
883	0		\|8 9\p \|a emagnd \|c 0,05713 \|d 20230516 \|q DE-101 \|u https://d-nb.info/provenance/plan#emagnd
943	1		\|a oai:aleph.bib-bvb.de:BVB01-034294840

Datensatz im Suchindex

DE-BY-TUM_katkey	2749837
_version_	1821936654533787648
any_adam_object
author	Steininger, Michael 19XX-
author_GND	(DE-588)1294878913
author_facet	Steininger, Michael 19XX-
author_role	aut
author_sort	Steininger, Michael 19XX-
author_variant	m s ms
building	Verbundindex
bvnumber	BV049032160
classification_rvk	ST 302 ST 301 RB 10104
collection	ebook
ctrlnum	(OCoLC)1389184364 (DE-599)BVBBV049032160
discipline	Informatik Geographie
doi_str_mv	10.25972/OPUS-31312
format	Thesis Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>03296nam a2200661zc 4500</leader><controlfield tag="001">BV049032160</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20230803 </controlfield><controlfield tag="007">t\|</controlfield><controlfield tag="008">230704s2022 gw a\|\|\| m\|\|\| 00\|\|\| eng d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">23,O06</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1389184364</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)BVBBV049032160</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="8">2\p</subfield><subfield code="a">eng</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BY</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-384</subfield><subfield code="a">DE-473</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-1051</subfield><subfield code="a">DE-824</subfield><subfield code="a">DE-29</subfield><subfield code="a">DE-12</subfield><subfield code="a">DE-91</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-1049</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-355</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-20</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-2174</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 302</subfield><subfield code="0">(DE-625)143652:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 301</subfield><subfield code="0">(DE-625)143651:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">RB 10104</subfield><subfield code="0">(DE-625)142220:12617</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="8">1\p</subfield><subfield code="a">360</subfield><subfield code="2">23sdnb</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Steininger, Michael</subfield><subfield code="d">19XX-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1294878913</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Deep Learning for Geospatial Environmental Regression</subfield><subfield code="b">= Deep Learning für Regressionsmodelle mit georäumlichen Umweltdaten</subfield><subfield code="c">vorgelegt von Michael Steininger</subfield></datafield><datafield tag="246" ind1="1" ind2="1"><subfield code="a">Deep Learning für Regressionsmodelle mit georäumlichen Umweltdaten</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Würzburg</subfield><subfield code="c">2022</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">1 Band (verschiedene Seitenzählungen)</subfield><subfield code="b">Illustrationen, Diagramme</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">erschienen 2023</subfield></datafield><datafield tag="502" ind1=" " ind2=" "><subfield code="b">Dissertation</subfield><subfield code="c">Julius-Maximilians-Universität Würzburg</subfield><subfield code="d">2023</subfield><subfield code="g">kumulativ</subfield></datafield><datafield tag="546" ind1=" " ind2=" "><subfield code="a">Zusammenfassung in deutscher und englischer Sprache</subfield></datafield><datafield tag="583" ind1="1" ind2=" "><subfield code="a">Archivierung/Langzeitarchivierung gewährleistet</subfield><subfield code="5">DE-101</subfield><subfield code="2">pdager</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="8">3\p</subfield><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="2">gnd</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="8">4\p</subfield><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="2">gnd</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="8">5\p</subfield><subfield code="a">Klimaänderung</subfield><subfield code="0">(DE-588)4164199-1</subfield><subfield code="2">gnd</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="8">6\p</subfield><subfield code="a">Modellierung</subfield><subfield code="0">(DE-588)4170297-9</subfield><subfield code="2">gnd</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="8">7\p</subfield><subfield code="a">Umweltinformationssystem</subfield><subfield code="0">(DE-588)4267581-9</subfield><subfield code="2">gnd</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="8">8\p</subfield><subfield code="a">Luftverschmutzung</subfield><subfield code="0">(DE-588)4074381-0</subfield><subfield code="2">gnd</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="8">9\p</subfield><subfield code="a">Geoinformationssystem</subfield><subfield code="0">(DE-588)4261642-6</subfield><subfield code="2">gnd</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Geospatial</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Environmental</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Regression</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4113937-9</subfield><subfield code="a">Hochschulschrift</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4143413-4</subfield><subfield code="a">Aufsatzsammlung</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe</subfield><subfield code="o">urn:nbn:de:bvb:20-opus-313121</subfield><subfield code="o">doi:10.25972/OPUS-31312</subfield></datafield><datafield tag="856" ind1="4" ind2="1"><subfield code="u">https://doi.org/10.25972/OPUS-31312</subfield><subfield code="x">Resolving-System</subfield><subfield code="z">kostenfrei</subfield><subfield code="3">Volltext</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">ebook</subfield></datafield><datafield tag="883" ind1="0" ind2=" "><subfield code="8">1\p</subfield><subfield code="a">emasg</subfield><subfield code="c">0,43886</subfield><subfield code="d">20230516</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#emasg</subfield></datafield><datafield tag="883" ind1="1" ind2=" "><subfield code="8">2\p</subfield><subfield code="a">npi</subfield><subfield code="d">20230515</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#npi</subfield></datafield><datafield tag="883" ind1="0" ind2=" "><subfield code="8">3\p</subfield><subfield code="a">emagnd</subfield><subfield code="c">0,19309</subfield><subfield code="d">20230516</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#emagnd</subfield></datafield><datafield tag="883" ind1="0" ind2=" "><subfield code="8">4\p</subfield><subfield code="a">emagnd</subfield><subfield code="c">0,15877</subfield><subfield code="d">20230516</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#emagnd</subfield></datafield><datafield tag="883" ind1="0" ind2=" "><subfield code="8">5\p</subfield><subfield code="a">emagnd</subfield><subfield code="c">0,10189</subfield><subfield code="d">20230516</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#emagnd</subfield></datafield><datafield tag="883" ind1="0" ind2=" "><subfield code="8">6\p</subfield><subfield code="a">emagnd</subfield><subfield code="c">0,07081</subfield><subfield code="d">20230516</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#emagnd</subfield></datafield><datafield tag="883" ind1="0" ind2=" "><subfield code="8">7\p</subfield><subfield code="a">emagnd</subfield><subfield code="c">0,06843</subfield><subfield code="d">20230516</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#emagnd</subfield></datafield><datafield tag="883" ind1="0" ind2=" "><subfield code="8">8\p</subfield><subfield code="a">emagnd</subfield><subfield code="c">0,06649</subfield><subfield code="d">20230516</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#emagnd</subfield></datafield><datafield tag="883" ind1="0" ind2=" "><subfield code="8">9\p</subfield><subfield code="a">emagnd</subfield><subfield code="c">0,05713</subfield><subfield code="d">20230516</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#emagnd</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-034294840</subfield></datafield></record></collection>
genre	(DE-588)4113937-9 Hochschulschrift gnd-content (DE-588)4143413-4 Aufsatzsammlung gnd-content
genre_facet	Hochschulschrift Aufsatzsammlung
id	DE-604.BV049032160
illustrated	Illustrated
indexdate	2024-12-20T19:58:53Z
institution	BVB
language	English
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-034294840
oclc_num	1389184364
open_access_boolean	1
owner	DE-384 DE-473 DE-BY-UBG DE-703 DE-1051 DE-824 DE-29 DE-12 DE-91 DE-BY-TUM DE-19 DE-BY-UBM DE-1049 DE-92 DE-739 DE-898 DE-BY-UBR DE-355 DE-BY-UBR DE-706 DE-20 DE-1102 DE-860 DE-2174
owner_facet	DE-384 DE-473 DE-BY-UBG DE-703 DE-1051 DE-824 DE-29 DE-12 DE-91 DE-BY-TUM DE-19 DE-BY-UBM DE-1049 DE-92 DE-739 DE-898 DE-BY-UBR DE-355 DE-BY-UBR DE-706 DE-20 DE-1102 DE-860 DE-2174
physical	1 Band (verschiedene Seitenzählungen) Illustrationen, Diagramme
psigel	ebook
publishDate	2022
publishDateSearch	2022
publishDateSort	2022
record_format	marc
spellingShingle	Steininger, Michael 19XX- Deep Learning for Geospatial Environmental Regression = Deep Learning für Regressionsmodelle mit georäumlichen Umweltdaten 3\p Neuronales Netz (DE-588)4226127-2 gnd 4\p Maschinelles Lernen (DE-588)4193754-5 gnd 5\p Klimaänderung (DE-588)4164199-1 gnd 6\p Modellierung (DE-588)4170297-9 gnd 7\p Umweltinformationssystem (DE-588)4267581-9 gnd 8\p Luftverschmutzung (DE-588)4074381-0 gnd 9\p Geoinformationssystem (DE-588)4261642-6 gnd
subject_GND	(DE-588)4226127-2 (DE-588)4193754-5 (DE-588)4164199-1 (DE-588)4170297-9 (DE-588)4267581-9 (DE-588)4074381-0 (DE-588)4261642-6 (DE-588)4113937-9 (DE-588)4143413-4
title	Deep Learning for Geospatial Environmental Regression = Deep Learning für Regressionsmodelle mit georäumlichen Umweltdaten
title_alt	Deep Learning für Regressionsmodelle mit georäumlichen Umweltdaten
title_auth	Deep Learning for Geospatial Environmental Regression = Deep Learning für Regressionsmodelle mit georäumlichen Umweltdaten
title_exact_search	Deep Learning for Geospatial Environmental Regression = Deep Learning für Regressionsmodelle mit georäumlichen Umweltdaten
title_full	Deep Learning for Geospatial Environmental Regression = Deep Learning für Regressionsmodelle mit georäumlichen Umweltdaten vorgelegt von Michael Steininger
title_fullStr	Deep Learning for Geospatial Environmental Regression = Deep Learning für Regressionsmodelle mit georäumlichen Umweltdaten vorgelegt von Michael Steininger
title_full_unstemmed	Deep Learning for Geospatial Environmental Regression = Deep Learning für Regressionsmodelle mit georäumlichen Umweltdaten vorgelegt von Michael Steininger
title_short	Deep Learning for Geospatial Environmental Regression
title_sort	deep learning for geospatial environmental regression deep learning fur regressionsmodelle mit georaumlichen umweltdaten
title_sub	= Deep Learning für Regressionsmodelle mit georäumlichen Umweltdaten
topic	3\p Neuronales Netz (DE-588)4226127-2 gnd 4\p Maschinelles Lernen (DE-588)4193754-5 gnd 5\p Klimaänderung (DE-588)4164199-1 gnd 6\p Modellierung (DE-588)4170297-9 gnd 7\p Umweltinformationssystem (DE-588)4267581-9 gnd 8\p Luftverschmutzung (DE-588)4074381-0 gnd 9\p Geoinformationssystem (DE-588)4261642-6 gnd
topic_facet	Neuronales Netz Maschinelles Lernen Klimaänderung Modellierung Umweltinformationssystem Luftverschmutzung Geoinformationssystem Hochschulschrift Aufsatzsammlung
url	https://doi.org/10.25972/OPUS-31312
work_keys_str_mv	AT steiningermichael deeplearningforgeospatialenvironmentalregressiondeeplearningfurregressionsmodellemitgeoraumlichenumweltdaten AT steiningermichael deeplearningfurregressionsmodellemitgeoraumlichenumweltdaten

Verfügbarkeit

Bestellen (Login erforderlich)

Online lesen (frei zugänglich)
Paper/Kapitel scannen lassen