Találati lista | Tudóstér

001-es BibID:	BIBFORM089171
Első szerző:	Bekő László (okleveles vidékfejlesztési agrármérnök)
Cím:	Vetésszerkezet meghatározása különböző multispektrális műholdfelvételek alkalmazásával / Bekő László, Burai Péter, Kiss Alida, Lénárt Csaba, Tomor Tamás, Schinogl Péter, Holb Imre, Szabó Szilárd
Dátum:	2020
ISBN:	978-963-318-886-6
Tárgyszavak:	Természettudományok Környezettudományok előadáskivonat könyvrészlet
Megjelenés:	Az elmélet és a gyakorlat találkozása a térinformatikában XI. : Theory meets practice in gis / szerk. Molnár Vanda Éva. - p. 47-54. -
További szerzők:	Burai Péter (1977-) (agrármérnök) Kiss Alida (1987-) (vidékfejlesztő agrármérnök, környezetgazdálkodási agrármérnök) Lénárt Csaba (1969-) (agrármérnök) Tomor Tamás (1976-) (geográfus) Schinogl Péter Holb Imre (1973-) (agrármérnök) Szabó Szilárd (1974-) (geográfus)
Pályázati támogatás:	2018-1.1.1-MKI-2018-00051 Egyéb
Internet cím:	Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

001-es BibID:	BIBFORM105793
035-os BibID:	(cikkazonosító)20919 (WoS)000969757300056 (Scopus)85143205656
Első szerző:	Likó Szilárd Balázs
Cím:	Tree species composition mapping with dimension reduction and post-classification using very high-resolution hyperspectral imaging / Szilárd Balázs Likó, László Bekő, Péter Burai, Imre J. Holb, Szilárd Szabó
Dátum:	2022
ISSN:	2045-2322
Megjegyzések:	Tree species' composition of forests is essential in forest management and nature conservation. We aimed to identify the tree species structure of a floodplain forest area using a hyperspectral image. We proposed an efficient novel strategy including the testing of three dimension reduction (DR) methods: Principal Component Analysis, Minimum Noise Fraction (MNF) and Indipendent Component Analysis with five machine learning (ML) algorithms (Maximum Likelihood Classifier, Support Vector Classification, Support Vector Machine, Random Forest and Artificial Neural Network) to find the most accurate outcome; altogether 300 models were calculated. Post-classification was applied by combining the multiresolution segmentation and filtering. MNF was the most efficient DR technique, and at least 7 components were needed to gain an overall accuracy (OA) of?>?75%. Forty-five models had?>?80% OAs; MNF was 43, and the Maximum Likelihood was 19 times among these models. Best classification belonged to MNF with 10 components and Maximum Likelihood classifier with the OA of 83.3%. Post-classification increased the OA to 86.1%. We quantified the differences among the possible DR and ML methods, and found that even?>?10% worse model can be found using popular standard procedures related to the best results. Our workflow calls the attention of careful model selection to gain accurate maps.
Tárgyszavak:	Természettudományok Földtudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk
Megjelenés:	Scientific Reports. - 12 : 12 (2022), p. 1-14. -
További szerzők:	Bekő László (1986-) (okleveles vidékfejlesztési agrármérnök) Burai Péter (1994-) (informatikus) Holb Imre (1973-) (agrármérnök) Szabó Szilárd (1974-) (geográfus)
Pályázati támogatás:	TKP2020-NKA-04 Egyéb 2019-2.1.1-EUREKA-2019-00005 Egyéb NKFI-K-138079 Egyéb NKFI Co-operative Doctoral Program of the Ministry of Innovation and Technology Egyéb
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

001-es BibID:	BIBFORM091945
035-os BibID:	(cikkazonosító)857 (WOS)000628506100001 (Scopus)85102203063
Első szerző:	Varga Orsolya Gyöngyi (geográfus)
Cím:	Validation of Visually Interpreted Corine Land Cover Classes with Spectral Values of Satellite Images and Machine Learning / Orsolya Gyöngyi Varga, Zoltán Kovács, László Bekő, Péter Burai, Zsuzsanna Csatáriné Szabó, Imre Holb, Sarawut Ninsawat, Szilárd Szabó
Dátum:	2021
ISSN:	2072-4292
Megjegyzések:	We analyzed the Corine Land Cover 2018 (CLC2018) dataset to reveal the correspondence between land cover categories of the CLC and the spectral information of Landsat-8, Sentinel-2 and PlanetScope images. Level 1 categories of the CLC2018 were analyzed in a 25 km ? 25 km study area in Hungary. Spectral data were summarized by land cover polygons, and the dataset was evaluated with statistical tests. We then performed Linear Discriminant Analysis (LDA) and Random Forest classifications to reveal if CLC L1 level categories were confirmed by spectral values. Wetlands and water bodies were the most likely to be confused with other categories. The least mixture was observed when we applied the median to quantify the pixel variance of CLC polygons. RF outperformed the LDA's accuracy, and PlanetScope's data were the most accurate. Analysis of class level accuracies showed that agricultural areas and wetlands had the most issues with misclassification. We proved the representativeness of the results with a repeated randomized test, and only PlanetScope seemed to be ungeneralizable. Results showed that CLC polygons, as basic units of land cover, can ensure 71.1?78.5% OAs for the three satellite sensors; higher geometric resolution resulted in better accuracy. These results justified CLC polygons, in spite of visual interpretation, can hold relevant information about land cover considering the surface reflectance values of satellites. However, using CLC as ground truth data for land cover classifications can be questionable, at least in the L1 nomenclature.
Tárgyszavak:	Természettudományok Földtudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk landsat sentinel planet CLC2018 Recursive Feature Elimination validation representativeness Random Forest Linear Discriminant Analysis
Megjelenés:	Remote Sensing. - 13 : 5 (2021), p. 1-24. -
További szerzők:	Kovács Zoltán (1988-) (geográfus) Bekő László (1986-) (okleveles vidékfejlesztési agrármérnök) Burai Péter (1977-) (agrármérnök) Szabó Zsuzsanna (1985-) (környezetgazdálkodási és vidékfejlesztési agrármérnök) Holb Imre (1973-) (agrármérnök) Ninsawat, Sarawut Szabó Szilárd (1974-) (geográfus)
Pályázati támogatás:	TNN 123457 Egyéb ÚNKP-19-3-III-DE-94 Egyéb TKP2020-NKA-04 Egyéb
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon: