Machine learning-based reconstruction of oceanographic patterns

doctoral thesis

• Title (english): Rekonstrukcija oceanografskih polja pomoću strojnog učenja
• Author: Leon Ćatipović
• Mentor: Hrvoje Kalinić (mentor)
• Mentor: Frano Matić (komentor)
• Committee member: Zoran Pasarić (predsjednik povjerenstva)
• Committee member: Ivica Vilibić (član povjerenstva)
• Committee member: Tomislav Petković (član povjerenstva)
• Granter: University of Zagreb; Faculty of Science; (Department of Geology); Zagreb
• Defense date and country: 2025-03-07, Croatia
• Scientific / art field, discipline and subdiscipline: NATURAL SCIENCES; Interdisciplinary Natural Sciences; Marine Science
• Universal decimal classification (UDC): 55 - Geology. Meteorology. Hydrology

Abstract

Software sensor augmentation utilises various machine learning algorithms to increase the range, resolution, or absolute accuracy of measurements. Within the domain of oceanographic remote sensing missing data represent a frequent issue. Although there exist numerous methods and models for estimating the missing data based on statistics, the issue remains open. Recent research have shown that a specific architecture of neural networks can be utilised to reconstruct satellite-derive sear surface... More temperature based on pattern recognition. However, this model has not yet been applied to other oceanographic data. This thesis examines the application of machine learning model to widen the sensors coverage with the aim of estimating the missing data. The reconstruction accuracy of this model is compared to the accuracy of other reconstruction methods. The general validity of reconstructed data is shown via encaptured underlying processes. Additional accuracy boost is achieved via a locally calibrated model of satellite measurements. Less

Abstract (croatian)

Proširenje osjetilnosti senzora podrazumijeva poboljšanje sposobnosti senzora – bilo da je riječ o prostornom dosegu, rezoluciji uzorkovanja ili točnosti mjerenja. Unutar domene daljinskih mjerena za oceanografske svrhe učestali problem predstavljaju podaci koji nedostaju. Iako već postoje brojne metoda i modeli za njihovu procjenu na temelju statistike, problem nije trajno riješen. Posljednjih godina primjenjuje se specifična arhitektura neuronskih mreža za procjenu podataka koji nedostaju... More kod satelitski mjerene površinske temperature mora na temelju prepoznavanja uzoraka. Međutim, ovakav model do sada nije primijenjen nad ostalim oceanografskim podacima. U okviru predložene teme planira se primjena modela strojnog učenja u svrhu povećanja dosega senzora s ciljem procjene podataka koji nedostaju. Točnost rekonstrukcije modela uspoređena je s točnošću drugih rekonstrukcijskih modela. Opća valjanost rekonstruiranih podataka prikazana je kroz opisane temeljne procese. Dodatno povećanje točnosti i preciznosti postiže se izradom lokalno kalibriranih satelitskih mjernih algoritama. Less

• Keywords: missing data reconstruction; machine learning; oceanography; remote sensing
• Keywords (croatian): rekonstrukcija podataka koji nedostaju; strojno učenje; oceanografija; daljinsko mjerenje
• Language: english
• URN:NBN: urn:nbn:hr:217:076816
• Promotion: 2025
• Study programme: Title: DOCTORAL STUDY OF OCEANOLOGY; Study programme type: university; Study level: postgraduate; Academic / professional title: doktor/doktorica znanosti u području prirodnih znanosti (doktor/doktorica znanosti u području prirodnih znanosti)
• Type of resource: Text
• Extent: 151 str. ; 30 cm
• File origin: Born digital
• Access conditions: Open access
• Created on: 2025-03-31 14:17:48