20.500.12556/DKUM-84443 Metoda za izboljšanje prostorsko-časovne ločljivosti okoljskih geoprostorskih podatkov z uporabo lokalnih meritev in satelitskih slik doktorska disertacija Improving the spatiotemporal resolution of geospatial data with the integration of the Internet of Things and remote sensing data V doktorski disertaciji predstavimo novo metodo za izboljšavo prostorsko-časovne ločljivosti okoljskih geoprostorskih podatkov. Geoprostorske podatke pogosto dobimo tudi iz meritev, ki jih zajamemo z lokalnimi ali s satelitskimi senzorji. Pomanjkljivost teh zajemov so redki lokalni senzorji in nizka časovna ločljivost satelitskih slik. Prostorsko in časovno ločljivost izboljšamo s souporabo podatkov iz meritev obeh podatkovnih virov. Najprej opazovano območje razdelimo v mrežo pikslov in nad lokalnimi senzorji sestavimo Voronoijev diagram. Središča Voronoijevih celic ustrezajo lokacijam lokalnih senzorjev, ki v danem časovnem trenutku vračajo veljavne izmerjene vrednosti. Za nabor pikslov znotraj vsake posamezne Voronoijeve celice zgradimo ločene regresijske modele s strojnim učenjem. Razlagalne spremenljivke regresijskih modelov so pretekli podatki iz meritev lokalnih senzorjev trenutno izbrane Voronoijeve celice in njenih sosed, ciljne vrednosti pa so iz izbranega nabora pikslov satelitskih slik. Po izračunu vrednosti okoljske spremenljivke v vseh pikslih na opazovanem območju dobimo geolocirano rastrsko sliko okoljske spremenljivke. Predlagano metodo smo uporabili na podatkih meritev lokalnih senzorjev in satelitskih slik toplogrednega plina NO2. Regresijske modele smo zgradili s tremi metodami: algoritmom najbližjih sosedov, linearno regresijo in večplastno naprej usmerjeno nevronsko mrežo. Najvišjo točnost smo dosegli z nevronsko mrežo. Predlagano metodo smo primerjali s petimi referenčnimi metodami, ki so bile predstavljene v zadnjih treh letih. Te metode so: geografsko-časovno obtežena nevronska mreža, prilagodljiva grafovska konvolucijska povratna nevronska mreža, časovna grafovska konvolucijska nevronska mreža z mehanizmom pozornosti, nevronska mreža za izmenjevanje sporočil, združena z mrežami dolgega kratkoročnega spomina, in globoko ansambelsko strojno učenje. Po točnosti je najboljše rezultate dala naša metoda. Najbolj se nam je približala metoda, sestavljena iz nevronske mreže za izmenjavo sporočil in nevronske mreže z dolgim kratkoročnim spominom. Od te smo bili točnejši za približno 5 %. This Doctoral thesis introduces a novel approach, which increases the spatio-temporal resolution of the environmental geospatial data. Geospatial data can also be obtained from the Internet of Things (IoT) measurements and satellite images. However, their main drawbacks are the sparsity of IoT sensors and low temporal resolution of the satellite images. We combine the data from both measurement sources to address this issue. Firstly, the observed area is gridded and a Voronoi diagram is constructed. The Voronoi centers correspond to the location of the IoT sensors which are returning the valid measurements in the considered time. Secondly, a separate regression model is constructed for each set of pixels inside each Voronoi cell with machine learning. The regression model uses the measurements from the central and neighboring IoT sensors as explanatory variables. On the other hand, the measurement data from the satellite pixels, located inside the considered Voronoi cell are, used as the target values. A satellite-like image is constructed after determining the value for each pixel in the considered area. The proposed approach was used to assess the concentration of NO2 and tested with three different methods: k-nearest neighbors, linear regression, and a multilayered feed-forward neural network. The highest accuracy was obtained from the regression models built by the multilayered feed-forward neural network. The proposed method was compared with five similar recent methods: Geographically and Temporally Weighted Generalized Regression Neural Network, Adaptive Graph Convolutional Recurrent Network, Attention Temporal Graph Convolutional Network, Message Passing Neural Networks with Long Short-Term Memory, and the Deep Ensemble Machine Learning framework. Our method, with the usage of the feed-forward neural network, performed the best, while the second most accurate method consisted of Message Passing Neural Networks and Long Short-Term Memory. With this method we were approximately 5 % more accurate. računalništvo strojno učenje k-najbližji sosedje linearna regresija naprej usmerjena nevronska mreža daljinsko zaznavanje computer science machine learning k-nearest neighbors linear regression feedforward neural network remote sensing true true false [J. Cukjati] Slovenski jezik Angleški jezik Doktorsko delo/naloga 2023-06-08 12:24:29 2023-10-02 10:57:56 2023-11-14 03:09:43 0000-00-00 00:00:00 2023 0 Maribor 0 Maribor XI, 86 str. 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 004.85:004.932:528.83(043.3) 166705667 DOK_Cukjati_Jernej_2023.pdf DOK_Cukjati_Jernej_2023.pdf 1 0AE7DA2DB162EBE7AFBA7A4D737A8F52 052eedc8e9b9f1166ed6f7c28d931f424374a50f2192f9aad321014d5673f491 8ccd4220-81ff-11ee-b12e-00155d000105 https://dk.um.si/Dokument.php?lang=slv&id=174072 Fakulteta za elektrotehniko, računalništvo in informatiko 0 0 0