prikaz prve stranice dokumenta Classification of Land Cover and Agricultural Land Using Google Earth Engine
  Preuzmi
PDF 2.37 MB
diplomski rad
Classification of Land Cover and Agricultural Land Using Google Earth Engine
Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet agrobiotehničkih znanosti Osijek, 2024. urn:nbn:hr:151:873314
Šumanovac, Luka
Sveučilište Josipa Jurja Strossmayera u Osijeku
Fakultet agrobiotehničkih znanosti Osijek
Zavod za poljoprivrednu tehniku i obnovljive izvore energije

Institucijski repozitorij: Repozitorij Fakulteta agrobiotehničkih znanosti Osijek

Citirajte ovaj rad

Šumanovac, L. (2024). Classification of Land Cover and Agricultural Land Using Google Earth Engine (Diplomski rad). Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet agrobiotehničkih znanosti Osijek. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:151:873314

Šumanovac, Luka. "Classification of Land Cover and Agricultural Land Using Google Earth Engine." Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet agrobiotehničkih znanosti Osijek, 2024. https://urn.nsk.hr/urn:nbn:hr:151:873314

Šumanovac, Luka. "Classification of Land Cover and Agricultural Land Using Google Earth Engine." Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet agrobiotehničkih znanosti Osijek, 2024. https://urn.nsk.hr/urn:nbn:hr:151:873314

Šumanovac, L. (2024). 'Classification of Land Cover and Agricultural Land Using Google Earth Engine', Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet agrobiotehničkih znanosti Osijek, citirano: 18.12.2024., https://urn.nsk.hr/urn:nbn:hr:151:873314

Šumanovac L. Classification of Land Cover and Agricultural Land Using Google Earth Engine [Diplomski rad]. Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet agrobiotehničkih znanosti Osijek; 2024 [pristupljeno 18.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:151:873314

L. Šumanovac, "Classification of Land Cover and Agricultural Land Using Google Earth Engine", Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet agrobiotehničkih znanosti Osijek, Osijek, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:151:873314

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:151:873314
Podaci o radu
NaslovClassification of Land Cover and Agricultural Land Using Google Earth Engine
Naslov (hrvatski)Klasifikacija zemljišta I poljoprivrednog zemljišta pomoću Google Earth Enginea
AutorLuka Šumanovac
MentorDorijan Radočaj (mentor)
Član povjerenstvaMladen Jurišić (predsjednik povjerenstva)
Član povjerenstvaIvan Plaščak (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište Josipa Jurja Strossmayera u Osijeku
Fakultet agrobiotehničkih znanosti Osijek
(Zavod za poljoprivrednu tehniku i obnovljive izvore energije)
Osijek
Datum i država obrane2024-06-06, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		BIOTEHNIČKE ZNANOSTI
Poljoprivreda (agronomija)
Poljoprivredna tehnika i tehnologija
Sažetak
Research was carried out to classify the land and agricultural land in Osijek-Baranja County. Six classification methods were tested to evaluate the efficiency of these machine learning algorithms, identifying the most efficient and the least efficient algorithms. LULC maps were created in the QGIS software, each containing three classification methods for the years 2021, 2022, and 2023. The first LULC map contained the classification algorithms kNN, CART, and Naïve Bayes, and the second LULC map contained the classification algorithms MD, RF, and libsvm. QGIS proved to be a valuable tool for visualizing the data exported from GEE. The RF was the most efficient classification method after evaluation with 99% Overall Accuracy in each study year, along with other metrics such as Producer’s Accuracy, Consumer Accuracy, and Kappa Coefficient. The least efficient algorithm was Naïve Bayes.
Sažetak (engleski)
Istraživanje je provedeno u svrhu klasifikacije zemljišta i poljoprivrednog zemljišta u Osječko-baranjskoj županiji. Testirano je šest metoda klasifikacije kako bi se procijenila učinkovitost ovih algoritama strojnog učenja, identificirajući najučinkovitije i najmanje učinkovite algoritme. LULC karte izrađene su u softveru QGIS, a svaka sadrži tri metode klasifikacije za godine 2021., 2022. i 2023. Prva LULC karta sadržavala je klasifikacijske algoritme kNN, CART i Naïve Bayes, a druga LULC karta sadržavala je klasifikacijske algoritme MD , RF i libsvm. QGIS se pokazao kao vrijedan alat za vizualizaciju podataka eksportiranih iz GEE-a. RF je bio najučinkovitija metoda klasifikacije nakon evaluacije s 99% ukupne točnosti u svakoj studijskoj godini, zajedno s drugim metrikama kao što su Producer’s Accuracy, Consumer’s Accuracy, i Kappa Coefficient.. Najmanje učinkovit algoritam bio je Naïve Bayes.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:151:873314
Studijski programNaziv: Digitalna poljoprivreda / Digital Agriculture
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: sveučilišni/a magistar/magistra inženjer/inženjerka digitalne poljoprivrede (univ. mag. ing. agr.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomenadiplomski rad
Datum i vrijeme pohrane2024-12-04 08:49:52