CCL

Összesen 15 találat.
#/oldal:
Részletezés:
Rendezés:

1.

001-es BibID:BIBFORM111483
Első szerző:Abriha Dávid (geográfus)
Cím:Sentinel-5P műholdadatok alapján végzett légköri aeroszol koncentráció vizsgálat Google Earth Engine platformon / Abriha Dávid, Szabó Szilárd, Varga György
Dátum:2021
Megjegyzések:Atmospheric aerosols (especially mineral dusts) play an important role in shaping the Earth's energy balance. The main sources of atmospheric dust are the extensive arid and semi-arid (Sahara, Sahel) regions of North Africa. In this study, two Saharan dust storm events affecting Hungary were investigated. Data from the TROPOspheric Monitoring Instrument (TROPOMI), the on-board imaging spectrometer of Sentinel-5P, were used. We found that although the path and concentration of dust clouds can be well tracked, identifying the source regions can be difficult in certain cases
ISBN:978-963-318-977-1
Tárgyszavak:Természettudományok Földtudományok előadáskivonat
könyvrészlet
Megjelenés:Az elmélet és a gyakorlat találkozása a térinformatikában XII. / szerk. Molnár Vanda Éva. - p. 17-23. -
További szerzők:Szabó Szilárd (1974-) (geográfus) Varga György
Pályázati támogatás:ÚNKP-21-3
Egyéb
Internet cím:Szerző által megadott URL
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

2.

001-es BibID:BIBFORM111611
035-os BibID:(Scopus)85159117341 (WoS)000985898500001
Első szerző:Abriha Dávid (geográfus)
Cím:Strategies in training deep learning models to extract building from multisource images with small training sample sizes / Abriha, Dávid; Szabó, Szilárd
Dátum:2023
ISSN:1753-8947
Megjegyzések:Building extraction from remote sensing data is an important topic inurban studies and the deep learning methods have an increasing roledue to their minimal requirements in training data to reach outstandingperformance. We aimed to investigate the original U-Net architecture'sefficiency in building segmentation with different number of trainingimages and the role of data augmentation based on multisourceremote sensing data with varying spatial and spectral resolutions(WorldView-2 [WV2], WorldView-3 [WV3] images and an aerialorthophoto [ORTHO]). When the trainings and predictions wereconducted on the same image, U-Net provided good results with veryfew training images (validation accuracies: 94-97%; 192 images).Combining the ORTHO's and WV2's training data for prediction on WV3provided poor results with low F1-score (0.184). However, the inclusionof only 48 WV3 training images significantly improved the F1-score(0.693), thus, most buildings were correctly identified. Accordingly,using only independent reference data (other than the target image) isnot enough to train an accurate model. In our case, the reference fromWW2 and ORTHO images did not provide an acceptable basis to train agood model, but a minimal number of training images from thetargeted WV3 improved the accuracy (F1-score: 69%).
Tárgyszavak:Természettudományok Földtudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
building segmentation
U-Net
remote sensing
urban analysis
Megjelenés:International Journal of Digital Earth. - 16 : 1 (2023), p. 1707-1724. -
További szerzők:Szabó Szilárd (1974-) (geográfus)
Pályázati támogatás:TKP2020-NKA-04
Egyéb
Kooperatív Doktori Program
Egyéb
NKFI K138079
Egyéb
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

3.

001-es BibID:BIBFORM111479
Első szerző:Abriha Dávid (geográfus)
Cím:Hiperspektrális távérzékelés alkalmazása tetőfedő anyagok azonosításában / Abriha Dávid; Szabó Szilárd
Dátum:2018
Megjegyzések:Hyperspectral imaging can be an effective tool in the monitoring of complex urban areas due to its high spatial and spectral resolution. We conducted our analyses on an airborne hyperspectral dataset. In order to reduce the dimensionality of the data, Principal Component Analysis was applied. We performed three classification methods: Spectral Angle Mapper (SAM), Support Vector Machine (SVM) and Maximum Likelihood (ML). Overall accuracies were ranged between 50 and 80%. The ML classifier performed the best. The accuracy was the highest for the red tile, although, not all roof types were identifiable
ISBN:978-963-318-723-4
Tárgyszavak:Természettudományok Földtudományok előadáskivonat
könyvrészlet
Megjelenés:Az elmélet és gyakorlat találkozása a térinformatikában IX. / szerk. Molnár Vanda Éva. - p. 21-26. -
További szerzők:Szabó Szilárd (1974-) (geográfus)
Pályázati támogatás:TNN 123457
Egyéb
EFOP-3.6.1-16-2016-00022
EFOP
NTP-HHTDK-17-0050
Egyéb
Internet cím:Szerző által megadott URL
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

4.

001-es BibID:BIBFORM111480
Első szerző:Abriha Dávid (geográfus)
Cím:Random Forest osztályozó algoritmus pontosságának vizsgálata tetőfedő anyagok azonosításában multispektrális adatokkal / Abriha Dávid; Banka Fruzsina; Szabó Szilárd
Dátum:2019
Megjegyzések:Remote sensing applications are becoming more and more popular in everday life. To conduct and interpret supervised image classification it is required to carefully select training and validation data. Our aim was to investigate how the spatial autocorrelation in the collected data affects the accuracy of a machine learning algorithm. We performed Random Forest classification on WorldView-2 imagery. We applied pan-sharpening and a mask containing only the buildings to the image. Our results showed that the effects of the spatial autocorrelation can be terminated using roof-based segmentation. Furthermore, this study emphasizes the need to consider conducting hyperparameter optimization for Random Forest. After tuning the chosen parameters the overall accuracy was 94 per cent.
ISBN:978-963-318-054-9
Tárgyszavak:Természettudományok Földtudományok előadáskivonat
könyvrészlet
Megjelenés:Az elmélet és a gyakorlat találkozása a térinformatikában X.: Theory meets practice in GIS / szerk. Molnár Vanda Éva. - p. 19-24. -
További szerzők:Banka Fruzsina Szabó Szilárd (1974-) (geográfus)
Pályázati támogatás:ÚNKP-18-2
Egyéb
TNN 123457
Egyéb
EFOP-3.6.1-16-2016-00022
EFOP
Internet cím:Szerző által megadott URL
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

5.

001-es BibID:BIBFORM111481
Első szerző:Abriha Dávid (geográfus)
Cím:A képosztályozás során fellépő területi autokorreláció vizsgálata Python programozási környezetben / Abriha Dávid, Szabó Szilárd
Dátum:2020
Megjegyzések:In our study we investigated how spatial autocorrelation affects the accuracies of image classifications. Our goal was to develop a method which eliminates the effects of autocorrelation thus helps avoiding unduly high accuracies. We classified roofing materials with Random Forest in Debrecen using WorldView-2 imagery. Accuracy assessment was performed with repeated stratified k-fold cross validation. We concluded that if the reference data is assorted based on spatial location by setting a sufficiently large distance (10 meters in our case) then the negative impacts of autocorrelation can be eliminated.
ISBN:978-963-318-886-6
Tárgyszavak:Természettudományok Földtudományok előadáskivonat
könyvrészlet
Megjelenés:Az elmélet és a gyakorlat találkozása a térinformatikában XI. : theory meets practice in GIS / szerk. Molnár Vanda Éva. - p. 17-21. -
További szerzők:Szabó Szilárd (1974-) (geográfus)
Pályázati támogatás:ÚNKP-20-3
Egyéb
Internet cím:Szerző által megadott URL
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

6.

001-es BibID:BIBFORM111482
Első szerző:Abriha Dávid (geográfus)
Cím:Városi objektum kinyerést célzó deep learning algoritmus alkalmazása nagy felbontású légifelvételek alapján / Abriha Dávid; Szabó Szilárd; Enyedi Péter
Dátum:2021
Megjegyzések:Deep learning architectures are applied in many areas of life. One such architecture is the U-Net, a fully convolutional network used primarily for semantic segmentation. In our study, we investigated the applicability of U-Net in building segmentation using a 4 band orthomosaic. We compared 4 models with different numbers of training data and investigated the impact of data augmentation on the accuracy. Our results showed that U-Net can be used effectively for building segmentation tasks. We achieved accuracies between 60 and 97 percent.
ISBN:978-963-318-977-1
Tárgyszavak:Természettudományok Földtudományok előadáskivonat
könyvrészlet
Megjelenés:Az elmélet és a gyakorlat találkozása a térinformatikában XII. / szerk. Molnár Vanda Éva. - p. 9-16. -
További szerzők:Szabó Szilárd (1974-) (geográfus) Enyedi Péter
Pályázati támogatás:Kooperatív Doktori Program
Egyéb
Internet cím:Szerző által megadott URL
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

7.

001-es BibID:BIBFORM109207
035-os BibID:(cikkazonosító)e14045 (Scopus)85149799289
Első szerző:Abriha Dávid (geográfus)
Cím:Smaller is better? Unduly nice accuracy assessments in roof detection using remote sensing data with machine learning and k-fold cross-validation / Dávid Abriha, Prashant K. Srivastava, Szilárd Szabó
Dátum:2023
ISSN:2405-8440
Megjegyzések:Deriving the thematic accuracy of models is a fundamental part of image classification analyses. K-fold cross-validation (KCV), as an accuracy assessment technique, can be biased because existing built-in algorithms of software solutions do not handle the high autocorrelation of remotely sensed images, leading to overestimation of accuracies. We aimed to quantify the magnitude of the overestimation of KCV-based accuracies and propose a method to overcome this problem with the example of rooftops using a WorldView-2 (WV2) satellite image, and two orthophotos. Random split to training/testing subsets, independent testing and different types of repeated KCV sampling strategies were used to generate input datasets for classification. Results revealed that applying the random splitting of reference data to training/testing subsets and KCV methods had significantly biased the accuracies by up to 17%; overall accuracies (OAs) can incorrectly reach >99%. We found that repeated KCV can provide similar results to independent testing when spatial sampling is applied with a sufficiently large distance threshold (in our case 10 m). Coarser resolution of WV2 ensured more reliable results (up to a 5?9% increase in OA) than orthophotos. Object-based pixel purity of buildings showed that when using a majority filter for at least of 50% of objects the final accuracy approached 100% with each sampling method. The final conclusion is that KCV-based modelling ensures better accuracy than single models (with better pixel purity on the object level), but the accuracy metrics without spatially filtered sampling are not reliable.
Tárgyszavak:Természettudományok Földtudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Urban environment
Roof classification
Accuracy assessment
Salt-and-pepper effect
Post-classification
Object-based pixel purity
Megjelenés:Heliyon. - 9 : 3 (2023), e14045, p.1-17. -
További szerzők:Srivastava, Prashant K. Szabó Szilárd (1974-) (geográfus)
Pályázati támogatás:Kooperatív Doktori Program
Egyéb
NKFI K 138079
Egyéb
NKFI K 142121
Egyéb
TKP2020-NKA-04
Egyéb
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

8.

001-es BibID:BIBFORM089499
Első szerző:Abriha Dávid (geográfus)
Cím:Városi zöldfelületek osztályozása nagy felbontású PlanetScope és SkySat felvételek alapján / Abriha Dávid, Szabó Loránd, Kwanele Phinzi, 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. 13-16. -
További szerzők:Szabó Loránd (1991-) (geográfus) Phinzi, Kwanele (1989-) Szabó Szilárd (1974-) (geográfus)
Pályázati támogatás:EFOP-3.6.1-16-2016-00022
EFOP
Internet cím:Intézményi repozitóriumban (DEA) tárolt változat
Szerző által megadott URL
Borító:

9.

001-es BibID:BIBFORM076396
Első szerző:Abriha Dávid (geográfus)
Cím:Identification of roofing materials with Discriminant Function Analysis and Random Forest classifiers on pan-sharpened WorldView-2 imagery - a comparison / Abriha Dávid, Kovács Zoltán, Ninsawat Sarawut, Bertalan László, Balázs Boglárka, Szabó Szilárd
Dátum:2018
ISSN:2064-5031 2064-5147
Tárgyszavak:Természettudományok Földtudományok idegen nyelvű folyóiratközlemény hazai lapban
folyóiratcikk
REMOTE SENSING
pan-sharpening
asbestos
MACHINE LEARNING
Megjelenés:Hungarian Geographical Bulletin. - 67 : 4 (2018), p. 375-392. -
További szerzők:Kovács Zoltán (1988-) (geográfus) Ninsawat, Sarawut Bertalan László (1989-) (geográfus) Balázs Boglárka (1985-) (geográfus) Szabó Szilárd (1974-) (geográfus)
Pályázati támogatás:EFOP-3.6.1-16-2016-00022
EFOP
TNN 123457
Egyéb
ÚNKP-18-2-I-DE-81
Egyéb
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

10.

001-es BibID:BIBFORM111485
Első szerző:Papp Melitta
Cím:WorldView-2 és WorldView-3 felvételek értékelése képosztályozáson keresztül / Papp Melitta, Szabó Szilárd, Abriha Dávid
Dátum:2022
Megjegyzések:Geoinformatics tends to be more important in every fields of life as it helps to speed up many time-consuming tasks. In our research, we compared a WorldView-2 (WV2) and a WorldView-3 (WV3) satellite image in a classification. The image classification aimed the identification of roofing materials and we used the Maximum Likelihood classifier. The F1-scores obtained from the confusion matrices were used to compare the accuracies. Our results showed that, in general, we obtained better accuracies using WV2, but in the case where we only classified different tile roofs, WV3 performed better.
ISBN:978-963-615-039-6
Tárgyszavak:Természettudományok Földtudományok előadáskivonat
könyvrészlet
Megjelenés:Az elmélet és a gyakorlat találkozása a térinformatikában XIII.: Theory meets practice in GIS / szerk. Abriha-Molnár Vanda Éva. - p. 255-259. -
További szerzők:Szabó Szilárd (1974-) (geográfus) Abriha Dávid (1995-) (geográfus)
Pályázati támogatás:TKP2020-NKA-04
Egyéb
NKFIH K 138079
Egyéb
Internet cím:Szerző által megadott URL
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

11.

001-es BibID:BIBFORM112352
Első szerző:Pataki Angelika (geográfus)
Cím:Műholdas szenzorokból származtatott talajnedvességadatok összehasonlítása / Pataki Angelika, Nagy Loránd Attila, Abriha Dávid, Szabó Szilárd
Dátum:2023
Megjegyzések:A talajnedvesség monitorozása többféleképpen is lehetséges. A kutatás során két, alapvetően különböző műholdfelvételekből származtatott talajnedvesség adatot hasonlítottunk össze. Az összehasonlítás leíró statisztikával történt. Eredményként arra jutottunk, hogy a vizsgálatot még számos paraméterrel kell kiegészíteni ahhoz, hogy a vizsgált talajnedvességadatok validitásáról megbizonyosodjunk.
ISBN:ISBN 978-963-615-084-6
Tárgyszavak:Természettudományok Földtudományok előadáskivonat
könyvrészlet
talajnedvesség
SMAP
SMOS
Megjelenés:Az elmélet és a gyakorlat találkozása a térinformatikában XIV. / Szerkesztette: Dr. Abriha-Molnár Vanda Éva. - p. 199-203. - Az elmélet és a gyakorlat találkozása a térinformatikában XIV. / szerk.: Abriha-Molnár Vanda Éva. - p. 199-203. -
További szerzők:Nagy Loránd Attila (1993-) (geográfus) Abriha Dávid (1995-) (geográfus) Szabó Szilárd (1974-) (geográfus)
Pályázati támogatás:TKP2021-NKTA-32
Egyéb
Internet cím:Szerző által megadott URL
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

12.

001-es BibID:BIBFORM095974
035-os BibID:(cikkazonosító)2980 (WOS)000682299100001 (Scopus)85112129721
Első szerző:Phinzi, Kwanele
Cím:Classification Efficacy Using K-Fold Cross-Validation and Bootstrapping Resampling Techniques on the Example of Mapping Complex Gully Systems / Kwanele Phinzi, Dávid Abriha, Szilárd Szabó
Dátum:2021
ISSN:2072-4292
Megjegyzések:The availability of aerial and satellite imageries has greatly reduced the costs and time associated with gully mapping, especially in remote locations. Regardless, accurate identification of gullies from satellite images remains an open issue despite the amount of literature addressing this problem. The main objective of this work was to investigate the performance of support vector machines (SVM) and random forest (RF) algorithms in extracting gullies based on two resampling methods: bootstrapping and k-fold cross-validation (CV). In order to achieve this objective, we used PlanetScope data, acquired during the wet and dry seasons. Using the Normalized Difference Vegetation Index (NDVI) and multispectral bands, we also explored the potential of the PlanetScope image in discriminating gullies from the surrounding land cover. Results revealed that gullies had significantly different (p < 0.001) spectral profiles from any other land cover class regarding all bands of the PlanetScope image, both in the wet and dry seasons. However, NDVI was not efficient in gully discrimination. Based on the overall accuracies, RF's performance was better with CV, particularly in the dry season, where its performance was up to 4% better than the SVM's. Nevertheless, class level metrics (omission error: 11.8%; commission error: 19%) showed that SVM combined with CV was more successful in gully extraction in the wet season. On the contrary, RF combined with bootstrapping had relatively low omission (16.4%) and commission errors (10.4%), making it the most efficient algorithm in the dry season. The estimated gully area was 88 ? 14.4 ha in the dry season and 57.2 - 18.8 ha in the wet season. Based on the standard error (8.2 ha), the wet season was more appropriate in gully identification than the dry season, which had a slightly higher standard error (8.6 ha). For the first time, this study sheds light on the influence of these resampling techniques on the accuracy of satellite-based gully mapping. More importantly, this study provides the basis for further investigations into the accuracy of such resampling techniques, especially when using different satellite images other than the PlanetScope data.
Tárgyszavak:Természettudományok Földtudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
satellite imagery
gully mapping
machine learning
random forest
support vector machine
south africa
semi-arid environment
Megjelenés:Remote Sensing. - 13 : 15 (2021), p. 1-18. -
További szerzők:Abriha Dávid (1995-) (geográfus) Szabó Szilárd (1974-) (geográfus)
Pályázati támogatás:TKP2020-NKA-04
Egyéb
Department of Higher Education and Training (DHET) of South Africa
Egyéb
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Rekordok letöltése1 2