Praca magisterska
Brak miniatury
Licencja
ClosedAccessDostęp zamknięty
 

Zastosowanie głębokiego uczenia w ArcGIS Pro do szacowania liczebności populacji gatunków wskaźnikowych na podstawie zdjęć z fotopułapek w Antarktyce

Uproszczony widok
dc.abstract.enIn this study, machine learning methods were applied in the automatic detection of Adélie penguins (Pygoscelis adeliae) in photographs acquired from remote cameras. Nineteen photographs were analyzed, from which nine machine learning models based on three algorithms were developed and tested: YOLOv3, Faster R-CNN and Single Shot Detector (SSD). The results showed that the YOLOv3 and Faster R-CNN models achieved the highest accuracy (69%), with YOLOv3 standing out for its shorter processing time. The SSD model proved less effective, indicating its limitations in detecting small objects. The toolkit available in ArcGIS Pro software was used to develop the models and verify them. The study confirms the potential of automated image analysis in indicator species monitoring, while the need to further improve the algorithms. ArcGIS Pro software allows the use of machine learning methods without programming skills.
dc.abstract.plW niniejszej pracy zastosowano metody uczenia maszynowego w automatycznej detekcji pingwinów białookich (Pygoscelis adeliae) na zdjęciach pozyskanych z fotopułapek. Przeanalizowano 19 fotografii, na podstawie których opracowano i przetestowano dziewięć modeli uczenia maszynowego opartych na trzech algorytmach: YOLOv3, Faster R-CNN i Single Shot Detector (SSD). Wyniki wykazały, że najwyższą dokładność (69%) osiągnęły modele YOLOv3 i Faster R-CNN, przy czym YOLOv3 wyróżnił się krótszym czasem przetwarzania. Model SSD okazał się mniej skuteczny, co wskazuje na jego ograniczenia w detekcji małych obiektów. Do opracowania modeli oraz ich weryfikacji wykorzystano pakiet narzędzi dostępny w oprogramowaniu ArcGIS Pro. Przeprowadzone badania potwierdzają potencjał automatycznej analizy obrazów w monitoringu gatunków wskaźnikowych, przy jednoczesnej konieczności dalszego doskonalenia algorytmów. Oprogramowanie ArcGIS Pro pozwala na wykorzystanie metod uczenia maszynowego bez umiejętności programowania.
dc.affiliationUniwersytet Warszawski
dc.affiliation.departmentWydział Geografii i Studiów Regionalnych
dc.contributor.authorSobieszek, Bartłomiej
dc.date.accessioned2025-01-09T12:45:57Z
dc.date.available2025-01-09T12:45:57Z
dc.date.defence2024-12-17
dc.date.issued2024
dc.date.submitted2024-12-03
dc.description.promoterKorczak-Abshire, Małgorzata
dc.description.promoterKycko, Marlena
dc.description.reviewerKorczak-Abshire, Małgorzata
dc.description.reviewerKycko, Marlena
dc.description.reviewerZagajewski, Bogdan
dc.identifier.apd237399
dc.identifier.urihttps://repozytorium.uw.edu.pl//handle/item/163356
dc.languagepl
dc.language.otheren
dc.publisherUniwersytet Warszawski
dc.rightsClosedAccess
dc.subject.enremote cameras
dc.subject.entime-lapse cameras
dc.subject.enArcGIS
dc.subject.enautomated detection
dc.subject.enmachine learning
dc.subject.endeep learning
dc.subject.plfotopułapki
dc.subject.plkamery poklatkowe
dc.subject.plArcGIS
dc.subject.plautomatyczna detekcja
dc.subject.pluczenie maszynowe
dc.subject.plgłębokie uczenie;
dc.titleZastosowanie głębokiego uczenia w ArcGIS Pro do szacowania liczebności populacji gatunków wskaźnikowych na podstawie zdjęć z fotopułapek w Antarktyce
dc.title.alternativeUsing Deep Learning ArcGIS Pro to estimate population abundance of indicator species from remote cameras in Antarctica
dc.typeMasterThesis
dspace.entity.typePublication