Praca magisterska
Brak miniatury
Licencja
ClosedAccessDostęp zamknięty
 

Klasyfikacja wybranych form pokrycia terenu przy pomocy splotowych sieci neuronowych i ortofotomapy

Uproszczony widok
dc.abstract.enThe present study discusses the utility of employing high-resolution orthophotomaps with Convolutional Neural Network (CNN) for land cover classification. Based on photointerpretation, samples were developed and used to create and train the artificial neural network, as well as samples employed to assess the accuracy of the resulting map. Nineteen land cover classes encompassing diverse surfaces and terrain objects were delineated. Before performing the classification, learning parameters were verified, the network was trained and accuracy assessment was performed. The overall accuracy of the resulting classified image was 82.84%, with an average F1 score for classes at 0.71. Visual analysis of the classification outcome and its accuracy assessment indicate the high effectiveness of the discussed process. These results suggest that the application of advanced technologies such as CNNs and orthophotomaps in classification could be a promising approach for conducting various land cover analyses.
dc.abstract.plW poniższej pracy omówiono przydatność zastosowania ortofotomapy o wysokiej rozdzielczości oraz splotowej sztucznej sieci neuronowej (CNN) w celu klasyfikacji form pokrycia terenu. W oparciu o fotointerpretację opracowano wzorce, które zostały wykorzystane do utworzenia i treningu sztucznej sieci neuronowej oraz wzorce służące ocenie dokładności wynikowej mapy. Wydzielono 19 klas pokrycia terenu obejmujących różnorodne nawierzchnie i obiekty terenowe. Przed wykonaniem klasyfikacji zweryfikowano parametry uczenia, przeprowadzono trening sieci oraz wykonano dla niej ocenę dokładności. Dokładność całkowita otrzymanego sklasyfikowanego obrazu wyniosła 82,84%, natomiast średnie F1 dla klas – 0,71. Analiza wizualna otrzymanego wyniku poklasyfikacyjnego jak i ocena jej dokładności wskazują na wysoką efektywność zastosowania omawianego procesu. Wyniki te sugerują, że zastosowanie zaawansowanych technologii takich jak splotowe sieci neuronowe i ortofotomapy w klasyfikacji, mogą być obiecującym podejściem do wykonywania różnorodnych analiz pokrycia terenu.
dc.affiliationUniwersytet Warszawski
dc.affiliation.departmentWydział Geografii i Studiów Regionalnych
dc.contributor.authorPłóciennik, Alicja
dc.date.accessioned2025-01-09T12:49:13Z
dc.date.available2025-01-09T12:49:13Z
dc.date.defence2023-12-18
dc.date.issued2023
dc.date.submitted2023-12-06
dc.description.promoterRaczko, Edwin
dc.description.reviewerRaczko, Edwin
dc.description.reviewerZagajewski, Bogdan
dc.identifier.apd228746
dc.identifier.urihttps://repozytorium.uw.edu.pl//handle/item/164858
dc.languagepl
dc.language.otheren
dc.publisherUniwersytet Warszawski
dc.rightsClosedAccess
dc.subject.enorthophotomap
dc.subject.enclassification
dc.subject.enmachine learning
dc.subject.enConvolutional Neural Networks
dc.subject.plortofotomapa
dc.subject.plklasyfikacja
dc.subject.pluczenie maszynowe
dc.subject.plsplotowe sieci neuronowe
dc.titleKlasyfikacja wybranych form pokrycia terenu przy pomocy splotowych sieci neuronowych i ortofotomapy
dc.title.alternativeClassification of land cover forms using convolutional neural networks and high resolution orthophotomap
dc.typeMasterThesis
dspace.entity.typePublication