Machine learning-based reconstruction of oceanographic patterns

doktorski rad

• Naslov (engleski): Rekonstrukcija oceanografskih polja pomoću strojnog učenja
• Autor: Leon Ćatipović
• Mentor: Hrvoje Kalinić (mentor)
• Mentor: Frano Matić (komentor)
• Član povjerenstva: Zoran Pasarić (predsjednik povjerenstva)
• Član povjerenstva: Ivica Vilibić (član povjerenstva)
• Član povjerenstva: Tomislav Petković (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Prirodoslovno-matematički fakultet; (Geološki odsjek); Zagreb
• Datum i država obrane: 2025-03-07, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: PRIRODNE ZNANOSTI; Interdisciplinarne prirodne znanosti; Znanost o moru
• Univerzalna decimalna klasifikacija (UDC): 55 - Geologija. Meteorologija. Hidrologija

Sažetak

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... Više 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. Sakrij dio sažetka

Sažetak (hrvatski)

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... Više 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. Sakrij dio sažetka

• Ključne riječi: missing data reconstruction; machine learning; oceanography; remote sensing
• Ključne riječi (hrvatski): rekonstrukcija podataka koji nedostaju; strojno učenje; oceanografija; daljinsko mjerenje
• Jezik: engleski
• URN:NBN: urn:nbn:hr:217:076816
• Datum promocije: 2025
• Studijski program: Naziv: Interdisciplinarni doktorski studiji iz oceanologije; Vrsta studija: sveučilišni; Stupanj studija: doktorski studij; Akademski / stručni naziv: doktor/doktorica znanosti u području prirodnih znanosti (dr. sc. natur.)
• Vrsta resursa: Tekst
• Opseg: 151 str. ; 30 cm
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2025-03-31 14:17:48