Seminar za računarstvo i primenjenu matematiku, 13. jun 2023.

Naredni sastanak Seminara biće održan u utorak, 13. juna u sali 301f Matematičkog instituta SANU sa početkom u 14.15. Sastanak je moguće pratiti i na daljinu.

Predavač: Milan Kilibarda, Građevinski fakultet, Univerzitet u Beogradu

Naslov predavanja: RFSI (Random Forest Spatial Interpolation) METOD ZA PROSTORNU INTERPOLACIJU

Apstrakt: Uobičajeni problem u geoinformatici, geonaukama, zaštiti životne sredine tiče se prostorne interpolacije promenljivih iz tačkastih merenja, opažanja. Primeri takvih promenljivih su padavine, temperatura, kvalitet vazduha, zagađenje zemljišta i vode i drugi. Istorija prostorne interpolacije seže u rane dane geoinformatike, kada su razvijeni osnovni algoritmi kao što su najbliži sused i metod inverznih distanci. Geostatistika je napravila korak dalje razvijajući kriging interpolaciju, koja interpoluje merenja u prostoru u skladu sa stepenom njihove prostorne korelacije i ima dodatnu prednost što kvantifikuje interpolacionu grešku. Tokom godina razvijeno je mnogo različitih algoritama za kriging. Trenutno je regresioni kriging veoma popularan. Regresioni kriging obično proizvodi tačnije karte od običnog kriginga, jer pored informacija dobijenih iz merenja obližnjih tačaka, takođe koristi informacija sadržane u objašnjavajućim promenljivima o životnoj sredini (prediktori ili kovarijati). Kontinualni prediktori su na primer satelitski snimci, digitalni model terena i drugi rasterski podaci za koje imamo vrednost i na mestima gde je opažano i na mestima u kojim se računa vrednost interpolacije. Takođe su napravljena proširenja regresionog kriginga na prostorno-vremensku interpolaciju. Metode mašinskog učenja, kao što su: RF, SVM, ANN, GBM, Cubist nedavno su postale ozbiljan konkurent krigingu. Ove metode se oslanjaju isključivo na odnos između opažanja i prediktora i veoma su fleksibilne u svojoj strukturi modela. Ove metode mogu značajno poboljšati tačnost interpolacije, ako je dostupna dovoljna količina kontinualnih podataka za kreiranje modela i dovoljna količina opažanja za treniranje modela. Ipak, često za mnoge fenomene, količina dostupnih
prediktora nije dovoljna da se napravi kvalitetan model za koji nije neophodno uključiti znanje o poziciji opažanja u proces interpolacije.
Nedavno je publikovan rad baziran na Random Forest metodi koji se bavi prilagođavanjem modela za potrebe prostorne  interpolacije, Random Forest Spatial Interpolation, RFSI. Ova tehnika zatvara krug prostorne interpolacije, ponovnim razmatranjem originalnih ideja prostorne interpolacije (npr. kriginga) i inkorporira merenja sa susednih lokacija u skup prediktora Random Forest modela.

U predavanju će biti dat pregled osnovnih struktura podataka koji se koriste u geoinformatici, pregled klasičnih metoda prostorne interpolacije, potom, predstavljena RFSI metoda i rezultati istraživanja primenjenih na modeliranje nekoliko prostornih fenomena, zatim, sledi kratak osvrt na RFSI inplementaciju u R softverskom okruženju u paketu meteo.

Predavanje je zasnovano na radu Sekulić, Aleksandar, Milan Kilibarda, Gerard B.M. Heuvelink, Mladen Nikolić, and Branislav Bajat. 2020. "Random Forest Spatial Interpolation" Remote Sensing 12, no. 10: 1687. https://doi.org/10.3390/rs12101687

Napomene: Napomena: Registraciona forma za učešće na Seminaru je dostupna na linku:
https://miteam.mi.sanu.ac.rs/call/wnz6oyxsQsy29LfJA/MjQ__eH607WeAL9X7IFtUI98xdQQgVkp-ljiEKPPfXr

Ukoliko želite samo da pratite predavanje bez mogućnosti aktivnog učešća, prenos je dostupan na linku:
https://miteam.mi.sanu.ac.rs/asset/YoqHWKALRkRTbK9So


 Ostavite vaš komentar 

Komentari(0)

Nažalost nije moguće ostaviti komentar.