20.500.12556/RUL-183075 Določanje vsebnosti izbranih težkih kovin v tleh s hiperspektralnim daljinskim zaznavanjem doktorska disertacija Estimation of selected heavy metals concentrations in soil using hyperspectral remote sensing doctoral dissertation V doktorski disertaciji obravnavamo uporabo hiperspektralnega daljinskega zaznavanja za napovedovanje vsebnosti težkih kovin (Zn, Pb, Cd) v zgornjih slojih tal. Raziskavo smo izvedli na območju severovzhodno od Celja, kjer je dolgotrajna industrijska dejavnost povzročila izrazito onesnaženje. Razvili smo metodologijo, ki temelji na povezavi letalskih hiperspektralnih posnetkov z laboratorijskimi spektroradiometričnimi meritvami ter kemijskimi in pedološkimi analizami vzorcev tal. Posebna pozornost je namenjena celoviti obdelavi podatkov – od atmosferskih popravkov, analize vhodnih podatkov, transformacij spektralnih vrednosti in priprave podatkovnih nizov za modeliranje do izbire relevantnih spremenljivk. Vpliv posameznih vhodnih spremenljivk in različnih postopkov predobdelave podatkov na kakovost napovednih modelov smo vrednotili s pogojno permutacijsko pomembnostjo. Končno napovedovanje vsebnosti izbranih težkih kovin temelji na novem pristopu, ki uporablja metodo strojnega učenja, pri čemer dodatne kemijsko-pedološke spremenljivke uporabimo zgolj v fazi učenja modelov, končne napovedi pa izvajamo izključno na spektralnih podatkih. Predstavljena metodologija je prispevek k razvoju hiperspektralnih metod za spremljanje onesnaženosti tal ter kaže potencial za učinkovitejše in stroškovno ugodnejše kartiranje na večjih območjih. This doctoral dissertation explores the use of hyperspectral remote sensing for predicting the content of heavy metals (Zn, Pb, Cd) in the upper soil layers. The research was conducted in the area northeast of Celje, where prolonged industrial activity has caused significant pollution. We developed a methodology based on linking airborne hyperspectral imagery with laboratory spectroradiometric measurements, as well as chemical and pedological analyses of soil samples. Attention is given to comprehensive data processing – from atmospheric correction, input data analysis, spectral transformations, and dataset preparation for modelling, to the selection of relevant variables. The influence of individual input variables and different preprocessing procedures on the quality of predictive models was assessed using conditional permutation importance. The final prediction of selected heavy metal contents is based on a novel approach using a machine learning method, where additional chemical and pedological variables are used only during the model training phase, while the final predictions rely exclusively on spectral data. The presented methodology constitutes a methodological contribution to the development of hyperspectral approaches for soil pollution monitoring and demonstrates potential for more efficient and cost-effective mapping over larger areas. Varstvo okolja doktorske disertacije hiperspektralno snemanje slikovna spektrometrija spektroradiometrija daljinsko zaznavanje težke kovine analiza tal pedologija kemija tal strojno učenje monitoring okolja Environmental Protection civil engineering doctoral dissertation hyperspectral imaging imaging spectrometry spectroradiometry remote sensing heavy metals soil analysis pedology soil chemistry machine learning environmental monitoring true false false [A. Mangafić] Slovenski jezik Angleški jezik Doktorsko delo/naloga 2026-06-03 14:02:21 2026-06-03 14:02:34 2026-06-04 11:48:57 0000-00-00 00:00:00 2026 0 Ljubljana 2026 Ljubljana XX, 119 str., [24] str. pril. 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 528.8.04:546.4(043.3) 10021 280466435 1581.pdf 1581.pdf 1 E12A6D5BAD00031E863F9E5F516E6B1E b62c1e16146ac672402e38725f790fa667545851d6788704a6b20a8041f19679 be9293c8-5f43-11f1-b0ab-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=234908 Fakulteta za gradbeništvo in geodezijo 0 0 0