hrvatski

Primjena metoda strojnog učenja za kartiranje poplava pomoću Sentinel-1 snimaka

U ovome radu primjenom Sentinel – 1 synthetic aperture radar (SAR) snimaka određena je točnost izračunavanja površine poplavljenog područja s tri različite metode klasifikacije:(1) pomoću praga vrijednosti piksela na temeljnim obrađenim podacima, (2) pomoću različitih algoritama strojnog učenja: Decision Tree (DT) ; Random Forest (RF) ; Artificial Neural Network (ANN) ; k-Nearest Neighbours (k-NN) ; Normal Bayes (NB) ; Support Vector Machine (SVM), (3) te korištanjem prethodno navedenih metoda strojnog učenja na dodatnim Grey level co-occurrence matrix (GLCM) značajkama. U ovom radu na 4 snimke VV polarizacija je imal prosječnu točnost kappa od 0, 82 i ukupnu točnost (UT) od 97, 1% dok za VH ti podaci iznose 0, 73 i 96, 0%. Najbolje rješenje dobilo se kombinacijom obje polarizacije sa točnostima od 0, 85 za kappu i 97, 6% za ukupnu točnost. U ovom istraživanju RF, ANN, SVM na 4 snimke s dodatnim GLCM značajkama imaju prosječnu kappu od 0, 95, a prosječnu UT od 99, 3%. Nakon toga je DT s kappom od 0, 94 i OA od 99, 3%, pa k-NN s 0, 91 i 98, 7%, NB sa 0, 89 i 98, 4%. Te najnižu točnost u ovom radu postigao je SVM s vrijednostima Kappa 0, 81 i UT od 97, 2%. Razlika u procjeni površine poplavljenog područja između Sentinel-1 i Sentinel-2 klasifikacije iznosi 2, 5 km², odnosno dobivena površina za S1 je 8, 1 km², a za S2 je 10, 6 km². Iako je u ovom radu najnižu točnost postigao SVM algoritam, sa određenom površinom poplavljenog područja od 10, 2 km2 imao je najmanju razliku od istinite vrijednosti.

Sentinel, GLCM, Kartiranje poplava, Sentinel-2, Strojno učenje

nije evidentirano