| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Mašīnmācīšanās metodes NDVI laika rindu prognozēšanas uzdevumos |
| Nosaukums angļu valodā |
Machine Learning Methods in NDVI Time Series Prediction Tasks |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Jurijs Čižovs |
| Recenzents |
Gints Jēkabsons, Dr.sc.ing., LDI vadošais pētnieks |
| Anotācija |
Bakalaura darbā ir pētītas un salīdzinātas mašīnmācīšanās metodes, kas ir piemērotas normalizētā veģetācijas indeksa (NDVI) laika rindu prognozēšanai. NDVI ir vienkāršots skaitlisks indikators, kuru parasti iegūst no satelītu attēliem un izmanto dzīvās zaļās veģetācijas stāvokļa novērtēšanai. No mašīnmācīšanās metodēm, kas ir piemērotas laika rindu prognozēšanai, darbā tika aplūkotas sekojošas – mākslīgie neironu tīkli, gradienta palielināšanas algoritmi un aditīvais regresijas modelis.
Praktiskajā daļā ir izstrādāta programma NDVI datu izgūšanai no satelītu attēliem, datu sagatavošanai izmantošanai mašīnmācīšanās algoritmos, kā arī ir izveidoti vairāki mašīnmācīšanās modeļi NDVI laika rindu prognozēšanai. Darba nobeigumā ir apkopoti un salīdzināti NDVI prognozēšanas rezultāti, kā arī salīdzinātas dažādu metožu priekšrocības un trūkumi.
Darba pamattekstā ir 58 lappuses, 60 attēli, 12 tabulas, 46 izmantoto literatūras avotu un 7 pielikumi. |
| Atslēgas vārdi |
mašīnmācīšanās, mākslīgie neironu tīkli, gradienta palielināšanas algoritmi, laika rindu prognozēšana, normalizētais veģetācijas indekss |
| Atslēgas vārdi angļu valodā |
Machine Learning, Artificial Neural Networks, Gradient Boosting Algorithms, Time Series Forecasting, Normalized Difference Vegetation Index |
| Valoda |
lv |
| Gads |
2019 |
| Darba augšupielādes datums un laiks |
01.06.2019 14:27:04 |
