Naslov
Usporedba metoda strojnog učenja za klasifikaciju zemljišnog pokrova
(Comparison of machine learning algorithms for land-cover classification)

Autori
Katanec, Ana

Vrsta, podvrsta i kategorija rada
Ocjenski radovi, diplomski rad, diplomski

Fakultet
Geodetski fakultet

Mjesto
Zagreb

Datum
22.11

Godina
2019

Stranica
41

Mentor
Medak, Damir

Neposredni voditelj
Dobrinić, Dino

Ključne riječi
analiza točnosti ; klasifikacija ; Random Forest algoritam ; XGBoost algoritam
(accuracy assessment, classification, Random Forest, XGBoost)

Sažetak
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.

Izvorni jezik
Hrvatski

POVEZANOST RADA