Integrace družicového dálkového průzkumu Země, strojového učení a GIS pro analýzu v jemném měřítku
Integrating Satellite Remote Sensing, Machine Learning, and GIS for Fine-Scale Analysis of Air Quality: Aerosol Optical Depth Estimation
Typ dokumentu
disertační prácedoctoral thesis
Autor
Saleem Ibrahim
Vedoucí práce
Halounová Lena
Oponent práce
Pavelka Karel
Studijní obor
Geodézie a kartografieStudijní program
Geodézie a kartografieInstituce přidělující hodnost
Katedra geomatikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Cílem této disertační práce bylo využít možnosti strojového učení při tvorbě datových sad kvality ovzduší s použitím různých zdrojů dat včetně vstupních dat družicového dálkového průzkumu Země a meteorologických dat, pokrytí území, topografie a měření z pozemních stanic aj. Výzkum byl zaměřen na dvě klíčová znečištění: optickou hloubku aerosolů a PM2.5 kvůli jejich vysokému riziku pro lidské zdraví, které s tím souvisí. Výsledkem výzkumu jsou tři datové soubory: dva datové soubory pokrývají celou Evropu a ukazují optickou hloubku aerosolů a koncentraci PM2.5, zatímco třetí datový soubor je zaměřen pouze na PM2.5 v České republice. Aby toho bylo dosaženo, byla použita kombinace nástrojů GIS, zpracování obrazu, statistická a datová analýza, vizualizace a obsáhlé metody strojového učení. Pro vývoj časoprostorových modelů byla zpracována "velká data" za použití open-source software. Tyto modely sloužily pro vytvoření těchto datových sad. Výsledky byly pro zajištění přesnosti výstupů validovány různými způsoby a poté byly porovnány s významnými studiemi. Soubory dat vytvořené nad Evropou byly první s plným pokrytím 1km prostorového rozlišení, byly veřejně dostupné a od té doby je používají kolegové výzkumníci k lepšímu pochopení kvality ovzduší v různých regionech Evropy. This thesis aimed to harness the capabilities of machine learning in generating air quality datasets using various data sources including satellite remote sensing, meteorological inputs, land cover, topography, observations from ground monitors, among others. The research was focused on two key pollutants: aerosol optical depth and PM2.5 due to high risks they cause to human health. The research resulted in three datasets: two datasets covered entire Europe providing insights into aerosol optical depth and PM2.5 concentrations, while the third dataset focused only on PM2.5 over the Czech Republic. To accomplish this, the research employed a combination of GIS techniques, image processing, statistics, data analysis, visualizations, and comprehensive machine learning methods. The research processed big data and used open-source software to develop the spatiotemporal machine learning models which were employed to generate the datasets. To ensure the accuracy of findings, the results were validated using different approaches then compared with relevant studies. The datasets created over Europe were the first with full coverage of 1 km spatial resolution, they were made publicly available and have since been used by fellow researchers to enhance their understanding of air quality across different regions in Europe
Kolekce
- Disertační práce - 11000 [457]