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:	BIBFORM113915
035-os BibID:	(WoS)001044509700001 (Scopus)85167334773
Első szerző:	Likó Szilárd Balázs
Cím:	Deep learning-based training data augmentation combined with post-classification improves the classification accuracy for dominant and scattered invasive forest tree species / Szilárd Balázs Likó, Imre J. Holb, Viktor Oláh, Péter Burai, Szilárd Szabó
Dátum:	2023
ISSN:	2056-3485
Megjegyzések:	Species composition of forests is a very important component from the point of view of nature conservation and forestry. We aimed to identify 10 tree species in a hilly forest stand using a hyperspectral aerial image with a particular focus on two invasive species, namely Ailanthus tree and black locust. Deep learning-based training data augmentation (TDA) and post-classification techniques were tested with Random Forest and Support Vector Machine (SVM) classifiers. SVM had better performance with 81.6% overall accuracy (OA). TDA increased the OA to 82.5% and post-classification with segmentation improved the total accuracy to 86.2%. The class-level performance was more convincing: the invasive Ailanthus trees were identified with 40% higher producer's and user's accuracies (PA and UA) to 70% related to the common technique (using a training dataset and classifying the trees). The PA and UA did not change in the case of the other invasive species, black locust. Accordingly, this new method identifies well Ailanthus, a sparsely distributed species in the area; while it was less efficient with black locust that dominates larger patches in the stand. The combination of the two ancillary steps of hyperspectral image classification proved to be reasonable and can support forest management planning and nature conservation in the future.
Tárgyszavak:	Természettudományok Földtudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk ailanthus black locust Convolutional Neural Network multiresolution segmentation Random Forest Support Vector Machine
Megjelenés:	Remote Sensing in Ecology and Conservation. - [Epub ahead of print] (2023), p.1-17. -
További szerzők:	Holb Imre (1973-) (agrármérnök) Oláh Viktor (1980-) (biológus) Burai Péter (1977-) (agrármérnök) Szabó Szilárd (1974-) (geográfus)
Pályázati támogatás:	K138079 Egyéb K138503 Egyéb K131478 Egyéb KKP144068 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: