Analiza satelitskih snimaka za klasifikaciju šumskih vrsta

undergraduate thesis

• Title (english): Satellite image analysis for classification of forest species
• Author: Matija Jakovac
• Mentor: Marko Subašić (mentor)
• Committee member: Marko Subašić (predsjednik povjerenstva)
• Committee member: Donik Vršnak (član povjerenstva)
• Committee member: Ivana Matovinović (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2024-07-08, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Rad istražuje primjenu UNET modela odnosno konvolucijske neuronske mreže za
segmentaciju i klasifikaciju šumskih vrsta koristeći satelitske snimke Sentinel-2. Model
je treniran na skupu podataka od 236 slika, a evaluiran korištenjem metrika poput srednje
kvadratne pogreške (MSE), srednje apsolutne pogreške (MARE) i Dice koeficijenta.
Uspješan trening postignut je izborom pravilnih hiperparametra. Postignuti rezultati na
testnom skupu podataka pokazuju visoku preciznost modela, s MSE od 0.0138, Dice koeficijentom
od 0.9055 i točnosti predikcije za grab i johu većim od 0.95. Vizualizacija
rezultata toplinskom kartom i raznim grafovima potvrđuje visoku točnost predikcije na
neviđenim podacima. Ovaj rad doprinosi razvoju učinkovitog alata za analizu ekoloških
podataka te je s njime moguće pomoći u zaštiti bioraznolikosti i održivom upravljanju
šumskim resursima.

Abstract (english)

The paper investigates the application of the UNET model, that is, the convolutional
neural network for the segmentation and classification of forest species using Sentinel-2
satellite images. The model was trained on a dataset of 236 images, and evaluated using
metrics such as mean square error (MSE), mean apsolute relative error (MARE) and Dice
coefficient. Successful training was achieved by choosing the correct hyperparameters.
The results achieved on the test data set show a high precision of the model, with MSE
of 0.0138, Dice coefficient of 0.9055 and prediction accuracy for hornbeam and alder
greater than 0.95. Visualization of the results with a heat map and with various graphs
confirms the high accuracy of predictions on unseen data. This work contributes to the
development of an effective tool for the analysis of ecological data, and with it it is possible
to help in the protection of biodiversity and the sustainable management of forest
resources.

• Keywords: segmentacija; klasifikacija; satelit Sentinel-2; konvolucijske neuronske mreže; UNET model; srednja kvadratna pogreška; srednja apsolutna relativna pogreška; dice koeficijent; točnost predikcije
• Keywords (english): segmentation; classification; Sentinel-2 satellite; convolutional neural networks; UNET model; mean squared error; mean absolute relative error; dice coefficient; accuracy
• Language: croatian
• URN:NBN: urn:nbn:hr:168:138876
• Study programme: Title: Computing; Study programme type: university; Study level: undergraduate; Academic / professional title: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2024-10-12 20:54:56