Nalazite se na CroRIS probnoj okolini. Ovdje evidentirani podaci neće biti pohranjeni u Informacijskom sustavu znanosti RH. Ako je ovo greška, CroRIS produkcijskoj okolini moguće je pristupi putem poveznice www.croris.hr
izvor podataka: crosbi !

Usporedba metoda strojnog učenja za klasifikaciju zemljišnog pokrova (CROSBI ID 431377)

Ocjenski rad | diplomski rad

Katanec, Ana Usporedba metoda strojnog učenja za klasifikaciju zemljišnog pokrova / Medak, Damir (mentor); Dobrinić, Dino (neposredni voditelj). Zagreb, Geodetski fakultet, . 2019

Podaci o odgovornosti

Katanec, Ana

Medak, Damir

Dobrinić, Dino

hrvatski

Usporedba metoda strojnog učenja za klasifikaciju zemljišnog pokrova

Random Forest algoritam se najčešće koristi za nadziranu klasifikaciju zemljišnog pokrova na satelitskim snimkama. Početkom 2014. godine, student Tianqi Chen razvio je XGBoost algoritam koji se također može primijeniti za klasifikaciju zemljišnog pokrova. Oba algoritma kombiniraju predikcije više modela (eng. ensemble learning), pri čemu Random Forest spada u 'bagging' algoritme, a XGBoost u 'boosting' algoritme. Ovim diplomskim radom napravljena je usporedba točnosti Random Forest i XGBoost algoritma na multispektralnim satelitskim snimkama. Klasifikacija satelitskih snimaka (Sentinel-2, Planet Scope i RapidEye) izvršena je u R programskom jeziku unutar kojeg su razvijeni brojni paketi za strojno učenje i provjeru točnosti. Postignute točnosti nalaze se u rasponu od 97.3% do 98.5%. Za Random Forest metodu najviša točnost dobivena je za PlanetScope snimku, potom za Sentinel-2 snimku, a najniža točnost klasifikacije dobivena je za RapidEye snimku. Također za XGBoost metodu najviša točnost dobivena je za PlanetScope snimku, potom za Sentinel-2 snimku, a najniža točnost klasifikacije dobivena je za RapidEye snimku. Za sve tri snimke klasifikacija pomoću Random Forest algoritma je točnija, a klasifikacija pomoću XGBoost algoritma je brža.

analiza točnosti ; klasifikacija ; Random Forest algoritam ; XGBoost algoritam

nije evidentirano

engleski

Comparison of machine learning algorithms for land-cover classification

nije evidentirano

accuracy assessment, classification, Random Forest, XGBoost

nije evidentirano

Podaci o izdanju

41

22.11.2019.

obranjeno

Podaci o ustanovi koja je dodijelila akademski stupanj

Geodetski fakultet

Zagreb

Povezanost rada

nije evidentirano