Please use this identifier to cite or link to this item:
https://hdl.handle.net/20.500.14279/26696| Title: | Σύγκριση αλγορίθμων μηχανικής μάθησης για την ταξινόμηση θαλάσσιου βεθνικού ενδιαιτήματος μέσω της γλώσσας προγραμματισμού R | Authors: | Νικολάου, Ανδρέας | Keywords: | Eπιβλεπόμενη ταξινόμηση;Θαλάσσιο ενδιαίτημα | Advisor: | Κυριακίδης, Φαίδων | Issue Date: | Dec-2021 | Department: | Department of Civil Engineering and Geomatics | Faculty: | Faculty of Engineering and Technology | Abstract: | Κατά την παρούσα μελέτη γίνεται σύγκριση διάφορων αλγόριθμων επιβλεπόμενης ταξινόμησης και των μεταβλητών πρόβλεψης μοντέλων για την επιλογή του βέλτιστου ταξινομητή. Επίσης αξιολογούνται και διαφοροποιούνται τα δεδομένα εκπαίδευσης για την περαιτέρω βελτίωση του αποτελέσματος. Επικεντρώνεται στην επιβλεπόμενη ταξινόμηση υποθαλάσσιου παράκτιου ενδιαιτήματος στην περιοχή γύρω από το αλιευτικό καταφύγιο κάτω Πάφου σε 3 κλάσεις. Περιοχές μαλακού υποστρώματος, εκτάσεις του θαλάσσιου φανερόγαμου Posidonia oceanica (Ποσειδωνία) και περιοχές σκληρού υποστρώματος. Τα δεδομένα προέρχονται από τον παθητικό δορυφόρο Sentinel-2 και είναι επιπέδου 2. Η επεξεργασία τους, ο κύριος όγκος προ-επεξεργασίας δεδομένων και επιβλεπόμενης ταξινόμησης, έγινε σε περιβάλλον κώδικα R μέσω του ανοιχτού λογισμικού Rstudio. Ενώ για οπτική παρατήρηση, δημιουργία περιοχών ενδιαφέροντος και εκπαίδευσης, χρησιμοποιήθηκε το ανοιχτό λογισμικό QGIS. Τα αποτελέσματα της μελέτης θεωρούνται ενθαρρυντικά, ιδιαίτερα αν ληφθεί υπόψη το χαμηλό κόστος σε σχέση με τη τελική ταξινόμηση, όπου παρουσιάζει ακρίβεια 88% με τον αλγόριθμο Διανυσμάτων Υποστήριξης Μηχανών (SVM). | Description: | The present study deals with the comparison of multiple classification algorithms, in supervised classification, and the model’s prediction variables in order to find the optimum classifier within the context of marine benthic habitat classification. Also, part of the procedure is the assessment and modification of training samples to further improve the resulting classification. The study focuses on the supervised classification of the underwater coastal environment surrounding and including the harbor of Kato Paphos, Cyprus, into 3 general but distinguishable classes. Those are areas of soft substate, areas with Posidonia oceanica seagrass and areas with hard substate. The data that were used are passive, level 2, satellite data from Sentinel 2 accessed from ESA’s open access hub. The majority of data processing and all the classification steps were done in R programming environment via the open Rstudio software. For visualization, optical observation, and the creation of areas of interest and learning polygons, the open QGIS software was used. The results are considered to be encouraging, especially when taking into account the low cost compared to the result of the optimum classifier, which has accuracy of 88% using the Support Vector Machines algorithm. The importance of classification is subjective only to this study as there were no supporting field data. | URI: | https://hdl.handle.net/20.500.14279/26696 | Rights: | Απαγορεύεται η δημοσίευση ή αναπαραγωγή, ηλεκτρονική ή άλλη χωρίς τη γραπτή συγκατάθεση του δημιουργού και κάτοχου των πνευματικών δικαιωμάτων. | Type: | MSc Thesis | Affiliation: | Cyprus University of Technology |
| Appears in Collections: | Μεταπτυχιακές Εργασίες/ Master's thesis |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Ανδρέας Νικολάου Περίληψη.pdf | Abstract | 276.37 kB | Adobe PDF | View/Open |
CORE Recommender
Page view(s)
122
Last Week
0
0
Last month
3
3
checked on Dec 25, 2024
Download(s) 50
58
checked on Dec 25, 2024
Google ScholarTM
Check
This item is licensed under a Creative Commons License
