Zapolnjevanje vrzeli v časovnih vrstah vegetacijskih indeksov z uporabo difuzijskih modelov

Lovenjak, Klemen (avtor), Čehovin Zajc, Luka (mentor), Račič, Matej (komentor)

V magistrski nalogi preučujemo pogojeno generiranje manjkajočih podatkov v časovnih vrstah. Osredotočili smo se na problem škrbavih časovnih vrst NDVI. Ta indeks v našem primeru temelji na podatkih optičnih senzorjev misije Sentinel-2, zato je močno občutljiv na stanje atmosfere. Razvili smo metodo za imputacijo manjkajočih vrednosti, ki z uporabo radarskih podob misije Sentinel-1 naslavlja omejitve časovnih vrst NDVI. Uporabili smo pogojeni difuzijski model. Model smo učili na podatkih za kmetijska zemljišča v obdobju enega vegetacijskega cikla. Pristop se je izkazal za obetavnega. Rezultati kažejo, da model presega rezultate osnovne metode interpolacije in kaže na dejanske trende, ki jih z osnovnimi metodami ne moremo zaznati. Kljub temu pa se pojavljajo tudi neintuitivne vrednosti, ki so morda posledica občutljivosti radarskih podatkov na druge vplive.

• Jezik: Slovenski jezik
• Ključne besede: globoko učenje, pogojeni generativni modeli, difuzijski modeli, umetno odprtinski radar, vegetacijski indeksi, časovne vrste, imputacija
• Vrsta gradiva: Magistrsko delo/naloga
• Tipologija: 2.09 - Magistrsko delo
• Organizacija: FRI - Fakulteta za računalništvo in informatiko
• Leto izida: 2024
• PID: 20.500.12556/RUL-166033
• COBISS.SI-ID: 220000515
• Datum objave v RUL: 18.12.2024

LOVENJAK, Klemen, 2024, Zapolnjevanje vrzeli v časovnih vrstah vegetacijskih indeksov z uporabo difuzijskih modelov [na spletu]. Magistrsko delo. [Dostopano 4 maj 2025]. Pridobljeno s: https://repozitorij.uni-lj.si/IzpisGradiva.php?lang=slv&id=166033

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Gap-filing vegatation index timeseries using diffusion models

Izvleček

In this master's thesis we study conditional generation of missing data in time series. We focused on the problem of gappy NDVI time series. This index is in our case based on the data from the optical sensors of the Sentinel-2 mission, and is therefore highly sensitive to atmospheric conditions. We developed a method for imputing missing values, leveraging the radar imagery of the Sentinel-1 mission to address the limitations of NDVI time series. We employed a conditional diffusion model. The model was trained on data for agricultural parcels spanning over one vegetation cycle. The approach proved to be promising. The results demonstrate that the model outperforms the basic interpolation methods and demonstrates actual trends that are left undetected by basic interpolation methods. Despite that, a number of cases exhibit non-intuitive values, possibly due to the sensitivity of radar data to other influeces.

• Ključne besede: deep learning, conditional generative models, diffusion models, synthetic-aperture radar, vegetation indices, time-series, imputation