20.500.12556/RUL-166033 Zapolnjevanje vrzeli v časovnih vrstah vegetacijskih indeksov z uporabo difuzijskih modelov Gap-filing vegatation index timeseries using diffusion models 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. 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. globoko učenje pogojeni generativni modeli difuzijski modeli umetno odprtinski radar vegetacijski indeksi časovne vrste imputacija deep learning conditional generative models diffusion models synthetic-aperture radar vegetation indices time-series imputation true false false Slovenski jezik Angleški jezik Magistrsko delo/naloga 2024-12-18 11:55:01 2024-12-18 11:55:11 2024-12-20 09:48:00 0000-00-00 00:00:00 2024 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 37192 220000515 Lovenjak_Klemen_-_Zapolnjevanje_vrzeli_v_casovnih_vrstah_vegetacijskih_indeksov_z_uporabo_difuzi.pdf Lovenjak_Klemen_-_Zapolnjevanje_vrzeli_v_casovnih_vrstah_vegetacijskih_indeksov_z_uporabo_difuzi.pdf 1 8C22B750144E8E506772BB116F0A7EBE ef1143ff04e27af8b6d3bac82e98dda924c146c086f68a268d4e3e63d4688a0c 015f4200-bd2e-11ef-b232-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=197401 Fakulteta za računalništvo in informatiko 0 0 0