Találati lista | Tudóstér

001-es BibID:	BIBFORM087257
035-os BibID:	(cikkazonosító)2397 (WOS)000567130200001 (Scopus)85089524467
Első szerző:	Schlosser Aletta Dóra (geográfus)
Cím:	Building Extraction Using Orthophotos and Dense Point Cloud Derived from Visual Band Aerial Imagery Based on Machine Learning and Segmentation / Schlosser Aletta Dóra, Szabó Gergely, Bertalan László, Varga Zsolt, Enyedi Péter, Szabó Szilárd
Dátum:	2020
ISSN:	2072-4292
Megjegyzések:	Urban sprawl related increase of built-in areas requires reliable monitoring methods and remote sensing can be an efficient technique. Aerial surveys, with high spatial resolution, provide detailed data for building monitoring, but archive images usually have only visible bands. We aimed to reveal the efficiency of visible orthophotographs and photogrammetric dense point clouds in building detection with segmentation-based machine learning (with five algorithms) using visible bands, texture information, and spectral and morphometric indices in different variable sets. Usually random forest (RF) had the best (99.8%) and partial least squares the worst overall accuracy (~60%). We found that >95% accuracy can be gained even in class level. Recursive feature elimination (RFE) was an efficient variable selection tool, its result with six variables was like when we applied all the available 31 variables. Morphometric indices had 82% producer's and 85% user's Accuracy (PA and UA, respectively) and combining them with spectral and texture indices, it had the largest contribution in the improvement. However, morphometric indices are not always available but by adding texture and spectral indices to red-green-blue (RGB) bands the PA improved with 12% and the UA with 6%. Building extraction from visual aerial surveys can be accurate, and archive images can be involved in the time series of a monitoring.
Tárgyszavak:	Természettudományok Földtudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk photogrammetry RGB indices image texture morphometric indices recursive feature elimination random forest support vector machine multiple adatptive regression spline partial least square
Megjelenés:	Remote Sensing. - 12 : 15 (2020), p. 1-28. -
További szerzők:	Szabó Gergely (1975-) (geográfus) Bertalan László (1989-) (geográfus) Varga Zsolt (1968-) (építőmérnök) Enyedi Péter (1982-) (környezettudós) Szabó Szilárd (1974-) (geográfus)
Pályázati támogatás:	NKFI KH 130427 Egyéb ED_18-1-2019-0028 Thematic Excellence Programme of the ministry for Innovation and Technology in Hungary, framework of the Space Sciences thematic programme of the University of Debrecen Egyéb
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

001-es BibID:	BIBFORM044957
Első szerző:	Szabó Gergely (geográfus)
Cím:	Accuracy Assessment of the ASTER GDEM and the SRTM Databases : A Case Study, Hungary / Szabó Gergely, Szabó Szilárd, Mecser Nikoletta, Karika Anita
Dátum:	2013
Megjegyzések:	The ASTER GDEMand SRTMdatabasesarethemost widespreadglobaldigital surface modelsof the Earth.However,it is important to know thedisadvantages and weaknesses of thesedatabases,i.e. the direction-dependentaccuracy and the difference between the digital and therealsurface. Our goal was toexamine these kindsofdeficienciesofsurface modelsand to point the rate of thevariance. We have found that there are significant differences between the surfacesand the aspect affects the rate of the error.
Tárgyszavak:	Természettudományok Földtudományok konferenciacikk DEM SRTM GDEM Doktori iskola
Megjelenés:	35th Symposium on Remote Sensing CD. - 1 (2013), p. 1-6. -
További szerzők:	Szabó Szilárd (1974-) (geográfus) Mecser Nikoletta (1988-) (geográfus) Karika Anita (1986-) (geográfus)
Pályázati támogatás:	TÁMOP-4.2.2/B-10/1-2010-0024 TÁMOP Földtudományok Doktori Iskola
Internet cím:	Szerző által megadott URL Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon: