Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Teledetekcja Środowiska

1 2024

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: soil remote sensing

Sortuj według:

Ogranicz wyniki do:

Badanie możliwości wykorzystania metod uczenia maszynowego do określenia przebiegu wydzieleń klas bonitacyjnych

Szkibiel Michał, Osińska-Skotak Katarzyna

Teledetekcja Środowiska

2024

T. 64

1--23

W teledetekcji w ostatnich latach uzyskano duży postęp dzięki wprowadzeniu automatyzacji oraz zastosowaniu algorytmów sztucznej inteligencji. Nowe podejście pozwoliło wykryć zależności, które nie były widoczne dla człowieka i stał się możliwy analityczny opis rzeczywistości, który do tej pory głównie opierał się na intuicji. Jednym z wyzwań w zakresie teledetekcji gleb jest monitorowane stanu gleb w skali kraju oraz aktualizacja baz danych o glebach, w tym aktualizacja przebiegu wydzieleń klas bonitacyjnych. Celem niniejszych badań było sprawdzenie możliwości wykorzystania metod uczenia maszynowego do klasyfikacji gleb zgodnie z obowiązującą gleboznawczą klasyfikacją gruntów ornych z użyciem danych teledetekcyjnych i numerycznego modelu terenu (NMT). Jako dane źródłowe wykorzystano satelitarne obrazy optyczne Sentinel-2 i radarowe Sentinel-1 oraz cztery produkty pochodne NMT, opisujące cechy ważne z punktu widzenia klasyfikacji bonitacyjnej gleb. Klasyfikacje zostały przeprowadzone metodą lasów losowych i konwolucyjnych sieci neuronowych (CNN) na wybranym obszarze treningowym w różnych scenariuszach, a następnie wytrenowane modele zostały zweryfikowane na zestawie testowym. Niestety modele opisane lasami losowymi nie uzyskały dobrych wyników na zestawie testowym w przeciwieństwie do zestawu treningowego (skuteczność 70% vs 10%). Modele opisane przez CNN uzyskały wyniki podobne dla obu zestawów, lecz ich skuteczność była niska (40%).

In recent years there was a large progress in remote sensing, thanks to applying automation and artificial intelligence algorithms. The new approach revealed relationships which were not visible for human operator and enabled analytical description of reality which was based on intuition so far. One of challenges of soil remote sensing is monitoring of soil condition in country scale and database actualisation including actualisation of soil valuation classes boundaries. The aim of the research was to find out possibilities of using machine learning methods for soil classification on arable land according to current Polish law with remote sensing data and digital elevation model (DEM). Used source data were optical satellite images of Sentinel-2 and radar of Sentinel-1, and four derived products of DEM describing significant features for soil valuation classification. Classification was done by random forests and convolutional neural networks (CNN) on selected training dataset in different scenarios and then trained models were verified on test dataset. Unluckily, models described by random forests were not successful on test dataset as much as on training dataset (accuracy 70% vs 10%). Models described by CNN had similar results for both datasets but the accuracy was low (40%).