Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο:
https://hdl.handle.net/20.500.14279/26696| Τίτλος: | Σύγκριση αλγορίθμων μηχανικής μάθησης για την ταξινόμηση θαλάσσιου βεθνικού ενδιαιτήματος μέσω της γλώσσας προγραμματισμού R | Συγγραφείς: | Νικολάου, Ανδρέας | Λέξεις-κλειδιά: | Eπιβλεπόμενη ταξινόμηση;Θαλάσσιο ενδιαίτημα | Advisor: | Κυριακίδης, Φαίδων | Ημερομηνία Έκδοσης: | Δεκ-2021 | Department: | Department of Civil Engineering and Geomatics | Faculty: | Faculty of Engineering and Technology | Περίληψη: | 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 |
| Εμφανίζεται στις συλλογές: | Μεταπτυχιακές Εργασίες/ Master's thesis |
Αρχεία σε αυτό το τεκμήριο:
| Αρχείο | Περιγραφή | Μέγεθος | Μορφότυπος | |
|---|---|---|---|---|
| Ανδρέας Νικολάου Περίληψη.pdf | Abstract | 276.37 kB | Adobe PDF | Δείτε/ Ανοίξτε |
CORE Recommender
Page view(s)
121
Last Week
2
2
Last month
4
4
checked on 24 Νοε 2024
Download(s)
46
checked on 24 Νοε 2024
Google ScholarTM
Check
Αυτό το τεκμήριο προστατεύεται από άδεια Άδεια Creative Commons
