Семинар за рачунарство и примењену математику, 13. јун 2023.

• 08. Јун, 2023
• Коментари (0)

Наредни састанак Семинара биће одржан у уторак, 13. јуна у сали 301ф Математичког института САНУ са почетком у 14.15. Састанак је могуће пратити и на даљину.

Предавач: Милан Килибарда, Грађевински факултет, Универзитет у Београду

Наслов предавања: RFSI (Random Forest Spatial Interpolation) МЕТОД ЗА ПРОСТОРНУ ИНТЕРПОЛАЦИЈУ

Апстракт: Уобичајени проблем у геоинформатици, геонаукама, заштити животне средине тиче се просторне интерполације променљивих из тачкастих мерења, опажања. Примери таквих променљивих су падавине, температура, квалитет ваздуха, загађење земљишта и воде и други. Историја просторне интерполације сеже у ране дане геоинформатике, када су развијени основни алгоритми као што су најближи сусед и метод инверзних дистанци. Геостатистика је направила корак даље развијајући кригинг интерполацију, која интерполује мерења у простору у складу са степеном њихове просторне корелације и има додатну предност што квантификује интерполациону грешку. Током година развијено је много различитих алгоритама за кригинг. Тренутно је регресиони кригинг веома популаран. Регресиони кригинг обично производи тачније карте од обичног кригинга, јер поред информација добијених из мерења оближњих тачака, такође користи информација садржане у објашњавајућим променљивима о животној средини (предиктори или коваријати). Континуални предиктори су на пример сателитски снимци, дигитални модел терена и други растерски подаци за које имамо вредност и на местима где је опажано и на местима у којим се рачуна вредност интерполације. Такође су направљена проширења регресионог кригинга на просторно-временску интерполацију. Методе машинског учења, као што су: RF, SVM, ANN, GBM, Cubist недавно су постале озбиљан конкурент кригингу. Ове методе се ослањају искључиво на однос између опажања и предиктора и веома су флексибилне у својој структури модела. Ове методе могу значајно побољшати тачност интерполације, ако је доступна довољна количина континуалних података за креирање модела и довољна количина опажања за тренирање модела. Ипак, често за многе феномене, количина доступних
предиктора није довољна да се направи квалитетан модел за који није неопходно укључити знање о позицији опажања у процес интерполације.
Недавно је публикован рад базиран на Random Forest методи који се бави прилагођавањем модела за потребе просторне  интерполације, Random Forest Spatial Interpolation, RFSI. Ова техника затвара круг просторне интерполације, поновним разматрањем оригиналних идеја просторне интерполације (нпр. кригинга) и инкорпорира мерења са суседних локација у скуп предиктора Random Forest модела.

У предавању ће бити дат преглед основних структура података који се користе у геоинформатици, преглед класичних метода просторне интерполације, потом, представљена RFSI метода и резултати истраживања примењених на моделирање неколико просторних феномена, затим, следи кратак осврт на RFSI инплементацију у R софтверском окружењу у пакету метео.

Предавање је засновано на раду 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

Напомене: Напомена: Регистрациона форма за учешће на Семинару је доступна на линку:
https://miteam.mi.sanu.ac.rs/call/wnz6oyxsQsy29LfJA/MjQ__eH607WeAL9X7IFtUI98xdQQgVkp-ljiEKPPfXr

Уколико желите само да пратите предавање без могућности активног учешћа, пренос је доступан на линку:
https://miteam.mi.sanu.ac.rs/asset/YoqHWKALRkRTbK9So