LuanVan.vnLuận Văn
Gửi thư

APPLY MACHINE LEARNING TO LAND USE TRANSITION INVENTORY USING SENTINEL-1 AND SENTINEL-2

Khoá luận tốt nghiệp · Đại học · năm 2024 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảHồ Minh Nhựt
Người hướng dẫnTrương Minh Thái
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2024
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

The Normalized Difference Vegetation Index (NDVI) is a key metric for assessing vegetation health, derived from the red and near-infrared bands of optical satellite imagery. However, clouds frequently obstruct optical observations, preventing the calculation of NDVI in cloud-covered areas. Radar data, such as the VV (vertical transmit, vertical receive) and VH (vertical transmit, horizontal receive) polarizations from Sentinel-1, can penetrate cloud cover, offering valuable surface information that can be used to estimate NDVI in these obstructed regions. This project addresses the challenge of estimating NDVI for cloud-covered pixels in satellite imagery using machine learning regression techniques. By combining radar backscatter data (VV, VH) from Sentinel-1 with optical NDVI from cloud-free Sentinel-2 imagery, various regression models: Multiple Linear Regression, Gradient Boosting, Random Forest Regressor, KNN Regressor are applied to predict NDVI for cloud-obscured areas. The project leverages satellite image data from the Open Data Cube (ODC) platform under the EASI CSIRO Asia project, taking advantage of multi-sensor data integration. To ensure accurate predictions, the VV and VH radar data are resampled and aligned with NDVI values calculated from cloud-free Sentinel-2 imagery, forming the training dataset for the machine learning models.
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.