Naslov
Klasifikacija zemljišnog pokrova iz podataka Sentinel satelitskih misija
(Land cover classification using data from Sentinel satellite missions)

Autori
Dobrinić, Dino ; Medak, Damir ; Katanec, Ana

Vrsta, podvrsta i kategorija rada
Radovi u zbornicima skupova, cjeloviti rad (in extenso), stručni

Izvornik
Zbornik radova - 12. simpozij ovlaštenih inženjera geodezije / - , 2019, 50-55

Skup
12. simpozij ovlaštenih inženjera geodezije - Etika u struci

Mjesto i datum
Opatija, Hrvatska, 18.10.2019. - 20.10.2019

Vrsta sudjelovanja
Predavanje

Vrsta recenzije
Domaća recenzija

Ključne riječi
klasifikacija ; Random Forest ; Sentinel ; Support Vector Machine ; XGBoost
(classification ; Random Forest ; Sentinel ; Support Vector Machine ; XGBoost)

Sažetak
Cilj ovog istraživanja je klasifikacija zemljišnog pokrova iz snimaka prikupljenih pomoću Sentinel-1 (S1) i Sentinel-2 (S2) satelita. Copernicus je EU program usmjeren ka razvoju Europskog informacijskog servisa zasnovanog na satelitima za opažanje Zemlje, podacima s kopna i drugih doprinosećih misija. U sklopu programa, između ostalog, bez naknade dostupne su svim korisnicima radarske (S1) i optičke (S2) satelitske snimke visoke rezolucije. Radar posjeduje vlastiti izvor zračenja pa se snimanje može odvijati neovisno o dobu dana te zahvaljujući duljim valnim duljinama, neovisan je o vremenskim prilikama. Sentinel-1 sateliti lansirani su 2014. i 2016. godine, i na njima se nalazi aktivni radar (engl. Synthetic Aperture RADAR - SAR) te snimke su dostupne svakih 6 dana. Sentinel-2 je multispektralna satelitska misija (sastoji se od satelita S-2A i S-2B) visoke rezolucije koja opaža Zemljinu površinu u 13 spektralnih kanala prostornih rezolucija od 10 m, 20 m i 60 m. U ovom radu usporediti će se radarske i optičke snimke jednake prostorne rezolucije od 10 m pomoću različitih metoda strojnog učenja. Uz Random Forest (RF) metodu, koji se najčešće koristi za nadziranu klasifikaciju, koristiti će se još XGBoost i Support Vector Machine (SVM) metode. Pritom, RF i XGBoost metode kombiniraju predviđanja više modela (engl. ensemble learning), dok SVM definira hiperravninu koja klasificira sve vektore iz trening skupa podataka u dvije ili više klasa. Glavni cilj ovog istraživanja je usporediti rezultate klasifikacije zemljišnog pokrova prema pojedinim klasama za radarske i optičke snimke te odrediti mogućnosti njihovih primjena u daljnjim istraživanjima.

Izvorni jezik
Hrvatski

Znanstvena područja
Geodezija

POVEZANOST RADA