Title
Картирање шумске вегетације на основу података сателитског осматрања земље коришћењем техника машинског учења
Creator
Kovačević, Jovan, 1993-
CONOR:
53489417
Copyright date
2021
Object Links
Select license
Autorstvo-Nekomercijalno-Bez prerade 3.0 Srbija (CC BY-NC-ND 3.0)
License description
Dozvoljavate samo preuzimanje i distribuciju dela, ako/dok se pravilno naznačava ime autora, bez ikakvih promena dela i bez prava komercijalnog korišćenja dela. Ova licenca je najstroža CC licenca. Osnovni opis Licence: http://creativecommons.org/licenses/by-nc-nd/3.0/rs/deed.sr_LATN. Sadržaj ugovora u celini: http://creativecommons.org/licenses/by-nc-nd/3.0/rs/legalcode.sr-Latn
Language
Serbian
Cobiss-ID
Theses Type
Doktorska disertacija
description
Datum odbrane: 11.02.2022.
Other responsibilities
Academic Expertise
Tehničko-tehnološke nauke
University
Univerzitet u Beogradu
Faculty
Građevinski fakultet
Alternative title
Mapping forest vegetation from satellite earth observation data using machine learning techniques
Publisher
[Ј. Д. Ковачевић]
Format
XVIII, 157 стр.
description
Геодезија - Фотограметрија и даљинска детекција, Геоинформатика / Geodesy -Photogrammetry and Remote Sensing, Geoinformatics
Abstract (sr)
Потребе за квалитетним подацима квантитативних и квалитативних карактеристика шума се
повећавају како је притисак на овај природни ресурс све већи. Подаци сателитског осматрања
Земље су се показали као погодна алтернатива теренским методама за прикупљање
информација о шумама. Основни циљеви истраживања у оквиру ове дисертације су анализа,
развој и унапређење методологије за картирање типова шумске вегетације на основу података
сателитског осматрања Земље. Предложена методологија се у основи ослања на издвајање
тематских информација из сателитских снимака применом надзираних непараметарских
метода класификације, посебно техника машинског учења. Истраживање обухвата утврђивање
применљивости различитих техника машинског учења (стабла одлучивања, случајне шуме и
градијентног појачавања) за картирање типова шумске вегетације, анализу различитих
репрезентација података ради наглашавања просторних и временских аспеката у
класификационом моделу, као и примену техника за креирање оптималног балансираног скупа
података и избора атрибута од значаја за квалитетно картирање шумске вегетације. Развој и
тестирање предложене методологије је извршено идентификацијом осам типова шумске
вегетације на подручју Републике Србије. Коришћени су подаци сателитске мисије Sentinel-2
из 2019. године у комбинацији са додатним изворима података. Резултати спроведених
експеримената се подударају са резултатима сличних истраживања заснованих на оптичким
сателитским опажањима високе просторне резолуције. На основу спроведених експеримената
је закључено да је предложена методологија применљива за картирање типова шумске
вегетације у Србији. Иако је тестирање извршено на територији Србије, методологија има
значајан потенцијал да се примени и на другим подручјима уз прилагођавање класификационе
шеме и допуне података за тренирање модела. Такође, може се сматрати да је предложена
методологија општег типа, тј. она може бити релативно једноставно прилагођена и другим
класификационим проблемима. Додатна истраживања су предвиђена у будућности како би се
испитале претходне претпоставке.
Abstract (en)
The necessity for quality data on quantitative and qualitative characteristics of forests is increasing
as the pressure on this natural resource rises. Satellite Earth observation data has proven to be a
suitable alternative to field methods when it comes to collecting information about forests. The main
goals of the research within this dissertation are the analysis, development and improvement of the
methodology for mapping forest vegetation types using satellite Earth observation data. The
proposed methodology relies on the extraction of thematic information from satellite imagery using
supervised non-parametric classification methods, especially machine learning techniques. The
research includes determining the applicability of different machine learning techniques (decision
tree, random forest and gradient boosting) for mapping forest vegetation types, analysis of different
data representations for emphasizing spatial and temporal aspects in the classification model, and
applying techniques to create optimal balanced datasets and to determine optimal features for
quality mapping of forest vegetation. The development and testing of the proposed methodology
were performed by identifying eight forest vegetation types in the Republic of Serbia. Sentinel-2
satellite imagery from the 2019 was used in combination with additional data sources. The results
of the conducted experiments match the results of similar studies which were based on high-
resolution optical satellite imagery. In accordance with the conducted experiments, it can be
concluded that the proposed methodology is applicable for mapping forest vegetation types in
Serbia. While the testing was performed on the territory of Serbia, the methodology has significant
potential to be applied in other regions as well, with the adjustment of the classification scheme and
the additional data for model training. Also, the proposed methodology can be considered to be of
a generic type, since it can be relatively easily adapted to other classification problems. Additional
research is planned in the future to test these assumptions
Classification
528(043.3)
Type
Tekst
Abstract (sr)
Потребе за квалитетним подацима квантитативних и квалитативних карактеристика шума се
повећавају како је притисак на овај природни ресурс све већи. Подаци сателитског осматрања
Земље су се показали као погодна алтернатива теренским методама за прикупљање
информација о шумама. Основни циљеви истраживања у оквиру ове дисертације су анализа,
развој и унапређење методологије за картирање типова шумске вегетације на основу података
сателитског осматрања Земље. Предложена методологија се у основи ослања на издвајање
тематских информација из сателитских снимака применом надзираних непараметарских
метода класификације, посебно техника машинског учења. Истраживање обухвата утврђивање
применљивости различитих техника машинског учења (стабла одлучивања, случајне шуме и
градијентног појачавања) за картирање типова шумске вегетације, анализу различитих
репрезентација података ради наглашавања просторних и временских аспеката у
класификационом моделу, као и примену техника за креирање оптималног балансираног скупа
података и избора атрибута од значаја за квалитетно картирање шумске вегетације. Развој и
тестирање предложене методологије је извршено идентификацијом осам типова шумске
вегетације на подручју Републике Србије. Коришћени су подаци сателитске мисије Sentinel-2
из 2019. године у комбинацији са додатним изворима података. Резултати спроведених
експеримената се подударају са резултатима сличних истраживања заснованих на оптичким
сателитским опажањима високе просторне резолуције. На основу спроведених експеримената
је закључено да је предложена методологија применљива за картирање типова шумске
вегетације у Србији. Иако је тестирање извршено на територији Србије, методологија има
значајан потенцијал да се примени и на другим подручјима уз прилагођавање класификационе
шеме и допуне података за тренирање модела. Такође, може се сматрати да је предложена
методологија општег типа, тј. она може бити релативно једноставно прилагођена и другим
класификационим проблемима. Додатна истраживања су предвиђена у будућности како би се
испитале претходне претпоставке.
“Data exchange” service offers individual users metadata transfer in several different formats. Citation formats are offered for transfers in texts as for the transfer into internet pages. Citation formats include permanent links that guarantee access to cited sources. For use are commonly structured metadata schemes : Dublin Core xml and ETUB-MS xml, local adaptation of international ETD-MS scheme intended for use in academic documents.