REAL

Növényzettípusok lehatárolása gépi tanulással légi LiDAR felvételek alapján egy alsó-tiszai hullámtéri mintaterületen = Automatised Identification of Vegetation Types on a Floodplain Area based on Airborne LiDAR Survey

Fehérváry, István and Kiss, Tímea (2020) Növényzettípusok lehatárolása gépi tanulással légi LiDAR felvételek alapján egy alsó-tiszai hullámtéri mintaterületen = Automatised Identification of Vegetation Types on a Floodplain Area based on Airborne LiDAR Survey. TÁJÖKOLÓGIAI LAPOK / JOURNAL OF LANDSCAPE ECOLOGY, 18 (2). pp. 127-140. ISSN 1589-4673

[img]
Preview
Text
04_Fehervary_Kiss.pdf

Download (1MB) | Preview

Abstract

Az utóbbi évtizedekben végbemenő környezeti és társadalmi változások hatására a Tisza hullámterén jelentősen nőtt a növényzeti sűrűség, amely hozzájárult az emelkedő tetőző vízszintek kialakuláshoz. A probléma megoldásához elengedtethetetlen a meder és hullámtér megfelelő kezelése. Célunk egy olyan gépi tanuláson alapuló osztályozási módszer kidolgozása, amellyel naprakész, pontos és térben folytonos adatok biztosíthatók a hullámtéri vegetációt kezelők számára. A tanulmányban a növényzetet reprezentáló légi LiDAR pontfelhő statisztikai paramétereit számítottunk ki 15*15 méteres felbontásban, majd egy döntési fa algoritmus segítségével osztályoztuk a kapott eredményeket. Az algoritmus pontosságának ellenőrzésére tízszeres keresztvalidálás (10-fold cross-validation) technikát alkalmaztunk. Az algoritmus terepi validációját is elvégeztük, mely során valós növényzeti kategóriákat a döntési fa által adott növényzeti kategóriákkal összesen 72 cella esetében vetettük össze. A kapott eredményeket egy keveredési mátrixban rögzítettük. A vizsgált hullámtéri területen az osztályozás pontossága 83% volt.

Item Type: Article
Subjects: Q Science / természettudomány > QH Natural history / természetrajz > QH540 Ecology / ökológia
SWORD Depositor: MTMT SWORD
Depositing User: MTMT SWORD
Date Deposited: 20 Jan 2021 07:17
Last Modified: 29 Mar 2023 08:15
URI: http://real.mtak.hu/id/eprint/119720

Actions (login required)

Edit Item Edit Item