20.500.12556/RUL-140521 PointSLA: nevronska mreža za napovedovanje manjkajočih vrednosti satelitskih meritev vodne gladine PointSLA: a neural network for prediction of missing values in satelite sea-level measurements Satelitske meritve so ključne za raziskovanje in razumevanje geofizikalnih pojavov. Kljub temu, da je okrog Zemlje utirjenih mnogo satelitov, enostavno ni mogoče hkrati pokriti in izmeriti celotnega površja. Posledično imajo satelitske meritve velike časovno-prostorske luknje kar zmanjša natančnost modelov, ki temeljijo na teh meritvah. Ena od spremenljivk, ki jih merijo sateliti je tudi anomalija višine gladine morja (ang. sea-level anomaly, SLA). Pove nam odstopanje višine morske gladine na neki točki, ob nekem času glede na referenco, ki je izračunana kot globalno povprečje preko obdobja več preteklih let. V nalogi naslavljamo problem napovedovanja manjkajočih satelitskih meritev SLA. Moderne metode ta problem rešujejo s pristopi, ki temeljijo na konvolucijah in zahtevajo meritve na regularni mreži. To pomeni, da moramo meritve predobdelati tako, da jih diskretiziramo na regularno mrežo. S tem vnesemo nenatančnost že v vhodne podatke. V tej nalogi predlagamo model PointSLA, ki za gosto napoved satelitskih meritev SLA deluje nad oblaki točk meritev in zato ne potrebuje diskretizacije vhoda. Eksperimentalni rezultati kažejo, da predlagan model doseže RMSE, ki je 5% slabši od najsodobnejše metode DIVAnd, pri tem pa omogoča večjo časovno in prostorsko fleksibilnost vhoda ter ne potrebuje diskretizacije meritev na mrežo. Satellite measurements are crucial in researching and understanding of geophysical phenomena. Even though there are many satellites orbiting Earth, it is impossible to measure the whole surface at all times. Consequentially, satellite measurements have significant gaps in space-time. One of the variables that satellites measure is sea-level anomaly (SLA). It describes the deviation of the sea surface height at some point in space-time from the global average computed over several past years. We address the problem of missing satellite measurements prediction. State-of-the-art methods solve this problem with approaches based on convolutions and therefore require measurements to be on a regular grid. To achieve this, a preprocessing step is needed to discretize the measurements onto a regular grid. However, this also introduces imprecision into the input. In this thesis, we propose PointSLA, a method that uses point clouds for dense prediction of SLA satellite measurements and therefore does not require discretization of measurements. Experimental results show the proposed model achieving RMSE 5% worse than state-of-the-art method DIVAnd while enabling greater space and time flexibility of the input and not requiring measurement discretization nevronske mreže satelitske meritve oblaki točk transformatorji pozornost. neural networks satellite measurements point clouds transformers attention. true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2022-09-15 10:25:10 2022-09-15 10:25:19 2022-10-03 05:11:54 0000-00-00 00:00:00 2022 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 34999 123819779 Vovk_Klemen_-_PointSLA-_nevronska_mreza_za_napovedovanje_manjkajocih_vrednosti_satelitskih_merit.pdf Vovk_Klemen_-_PointSLA-_nevronska_mreza_za_napovedovanje_manjkajocih_vrednosti_satelitskih_merit.pdf 1 1471D2AC67603D86D35258A31093A9E6 b840770ebdf81a4071ed048f7e847403dcc700477ef9a60d148aef4c96efc3ab ded78ba3-34cf-11ed-92af-00155dcfd717 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=161268 Fakulteta za računalništvo in informatiko 0 0 0