magistrsko delo
Klemen Lovenjak (Avtor), Luka Čehovin (Mentor), Matej Račič (Komentor)

Povzetek

V magistrski nalogi preučujemo pogojeno generiranje manjkajočih podatkov v časovnih vrstah. Osredotočili smo se na problem škrbavih časovnih vrst NDVI. Ta indeks v našem primeru temelji na podatkih optičnih senzorjev misije Sentinel-2, zato je močno občutljiv na stanje atmosfere. Razvili smo metodo za imputacijo manjkajočih vrednosti, ki z uporabo radarskih podob misije Sentinel-1 naslavlja omejitve časovnih vrst NDVI. Uporabili smo pogojeni difuzijski model. Model smo učili na podatkih za kmetijska zemljišča v obdobju enega vegetacijskega cikla. Pristop se je izkazal za obetavnega. Rezultati kažejo, da model presega rezultate osnovne metode interpolacije in kaže na dejanske trende, ki jih z osnovnimi metodami ne moremo zaznati. Kljub temu pa se pojavljajo tudi neintuitivne vrednosti, ki so morda posledica občutljivosti radarskih podatkov na druge vplive.

Ključne besede

globoko učenje;pogojeni generativni modeli;difuzijski modeli;umetno odprtinski radar;vegetacijski indeksi;časovne vrste;imputacija;magisteriji;

Podatki

Jezik: Slovenski jezik
Leto izida:
Tipologija: 2.09 - Magistrsko delo
Organizacija: UL FRI - Fakulteta za računalništvo in informatiko
Založnik: [K. Lovenjak]
UDK: 004.85(043.2)
COBISS: 220000515 Povezava se bo odprla v novem oknu
Št. ogledov: 13
Št. prenosov: 1
Ocena: 0 (0 glasov)
Metapodatki: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Ostali podatki

Sekundarni jezik: Angleški jezik
Sekundarni naslov: Gap-filing vegatation index timeseries using diffusion models
Sekundarni povzetek: In this master's thesis we study conditional generation of missing data in time series. We focused on the problem of gappy NDVI time series. This index is in our case based on the data from the optical sensors of the Sentinel-2 mission, and is therefore highly sensitive to atmospheric conditions. We developed a method for imputing missing values, leveraging the radar imagery of the Sentinel-1 mission to address the limitations of NDVI time series. We employed a conditional diffusion model. The model was trained on data for agricultural parcels spanning over one vegetation cycle. The approach proved to be promising. The results demonstrate that the model outperforms the basic interpolation methods and demonstrates actual trends that are left undetected by basic interpolation methods. Despite that, a number of cases exhibit non-intuitive values, possibly due to the sensitivity of radar data to other influeces.
Sekundarne ključne besede: deep learning;conditional generative models;diffusion models;synthetic aperture radar;vegetation indices;time-series;imputation;computer science;master's degree;
Vrsta dela (COBISS): Magistrsko delo/naloga
Študijski program: 1000471
Konec prepovedi (OpenAIRE): 1970-01-01
Komentar na gradivo: Univ. v Ljubljani, Fak. za računalništvo in informatiko
Strani: 1 spletni vir (1 datoteka PDF (69 str.))
ID: 25529987