Találati lista | Tudóstér

001-es BibID:	BIBFORM103180
035-os BibID:	(WoS)000888179500003 (Scopus)85135418688
Első szerző:	Bertalan László (geográfus)
Cím:	UAV-based multispectral and thermal cameras to predict soil water content - A machine learning approach / László Bertalan, Imre Holb, Angelika Pataki, Gábor Négyesi, Gergely Szabó, Annamária Kupásné Szalóki, Szilárd Szabó
Dátum:	2022
ISSN:	0168-1699
Tárgyszavak:	Természettudományok Földtudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk Uncrewed Aerial Vehicles Pixel value extraction Model evaluation Farm size Regression
Megjelenés:	Computers And Electronics In Agriculture. - 200 (2022), p. 1-11. -
További szerzők:	Holb Imre (1973-) (agrármérnök) Pataki Angelika (1995-) (geográfus) Négyesi Gábor (1980-) (geográfus) Szabó Gergely (1975-) (geográfus) Kupásné Szalóki Annamária (1987-) (környezetgazdálkodási agrármérnök) Szabó Szilárd (1974-) (geográfus)
Pályázati támogatás:	NKFIH TNN 123457 Egyéb NKFIH K 131478 Egyéb TKP2020-NKA-04 Egyéb COST Action CA16219 Egyéb
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

001-es BibID:	BIBFORM084936
035-os BibID:	(WoS)000539535700067 (Scopus)85083768890
Első szerző:	Phinzi, Kwanele
Cím:	Machine Learning for Gully Feature Extraction Based on a Pan-Sharpened Multispectral Image: Multiclass vs. Binary Approach / Kwanele Phinzi, Abriha Dávid, Bertalan László, Holb Imre, Szabó Szilárd
Dátum:	2020
ISSN:	2220-9964
Tárgyszavak:	Természettudományok Földtudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk machine learning gully erosion pan sharpening feature extraction
Megjelenés:	ISPRS International Journal of Geo-Information. - 9 : 4 (2020), p. 1-20. -
További szerzők:	Abriha Dávid (1995-) (geográfus) Bertalan László (1989-) (geográfus) Holb Imre (1973-) (agrármérnök) Szabó Szilárd (1974-) (geográfus)
Pályázati támogatás:	ED_18-1-2019-0028 Egyéb
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

001-es BibID:	BIBFORM121596
Első szerző:	Szabó Loránd (geográfus)
Cím:	Vegetációs fenofázisok osztályozhatósága multispektrális UAS felmérés alapján / Szabó Loránd, Bertalan László, Szabó Gergely, Grigorszky István, Somlyai Imre, Dévai György, Nagy Sándor Alex, Holb Imre János, Szabó Szilárd
Dátum:	2024
ISBN:	978-963-490-619-3
Tárgyszavak:	Természettudományok Földtudományok könyvfejezet könyvrészlet
Megjelenés:	Az elmélet és a gyakorlat találkozása a térinformatikában XV. = Theory meets practice in GIS / szerk. Abriha-Molnár Vanda Éva. - p. 269-273. -
További szerzők:	Bertalan László (1989-) (geográfus) Szabó Gergely (1975-) (geográfus) Grigorszky István (1967-) (biológus-ökológus) Somlyai Imre (1978-) (okleveles hidrobiológus) Dévai György (1942-) (ökológus) Nagy Sándor Alex (1956-) (hidrobiológus) Holb Imre (1973-) (agrármérnök) Szabó Szilárd (1974-) (geográfus)
Pályázati támogatás:	RRF 2.3.1 21 2022 00008 Egyéb
Internet cím:	Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

001-es BibID:	BIBFORM120921
035-os BibID:	(Scopus)85192739775 (WoS)001242033100001
Első szerző:	Szabó Loránd (geográfus)
Cím:	Aquatic vegetation mapping with UAS-cameras considering phenotypes / Loránd Szabó, László Bertalan, Gergely Szabó, István Grigorszky, Imre Somlyai, György Dévai, Sándor Alex Nagy, Imre J. Holb, Szilárd Szabó
Dátum:	2024
ISSN:	1574-9541 1878-0512
Megjegyzések:	Aquatic vegetation species at the genus level in an oxbow lake were identified in Hungary based on a multispectral Uncrewed Aerial System (UAS ) survey within an elongated oxbow lake area of the Tisza River under continental climate. Seven and 13 classes were discriminated using three different classification methods (Support Vector Machine [SVM], Random Forest [RF] , and Multivariate Adaptive Regression Splines [MARS]) using different input data in ten combinations: original spectral bands , spectral indices, Digital Surface Model (DSM) , and Haralick texture indices. We achieved a high (97.1%) overall accuracies (OAs) by applying the SVM classifier, but the RF performed only <1% worse, as it was represented in the first places of the classification rank before the MARS. The highest classification accuracies (>84% OA) were obtained using the most important variables derived by the Recursive Feature Elimination (RFE) method . The best classification required DSM as an input variable. The poorest classification performance belonged to the model that used only texture indices or spectral indices. On the class level, Stratoites aloides exhibit the lowest degree of separability compared to the other classes. Accordingly, we recommend using supplementary input data for the classifications beside s the original spectral bands, for example , DSM, spectral , and texture indices, as these variables significantly improve the classification accuracies in the proper combinations of the input variables .
Tárgyszavak:	Természettudományok Földtudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk Image classification Spectral index Texture index DSM Data fusion UAS Recursive Feature Elimination Aquatic vegetation
Megjelenés:	Ecological Informatics. - (2024), p. -. -
További szerzők:	Bertalan László (1989-) (geográfus) Szabó Gergely (1975-) (geográfus) Grigorszky István (1967-) (biológus-ökológus) Somlyai Imre (1978-) (okleveles hidrobiológus) Dévai György (1942-) (ökológus) Nagy Sándor Alex (1956-) (hidrobiológus) Holb Imre (1973-) (agrármérnök) Szabó Szilárd (1974-) (geográfus)
Pályázati támogatás:	K138079 Egyéb RRF 2.3.1 21 2022 00008 Egyéb
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon: