Nyilvántartási szám:
23/11
Témavezető neve:
Témavezető e-mail címe:
egeto.csaba@emk.bme.hu
A témavezető teljes publikációs listája az MTMT-ben:
A téma rövid leírása, a kidolgozandó feladat részletezése:
A LIDAR módszerek egyre több helyen fordulnak elő a mindennapokban. Megtalálhatók a járművekben, mobil készülékekben, az otthoni játékkonzolokban és az élet egyéb területein. A geofizikai és geodéziai céllal felvett LIDAR, talajradar és egyéb szenzorok méréseiből a térszínről számos információ megtudható. A földradar módszer adatainak elemzéséből következtetni lehet egy közeg elektromos ellenállására, homogén, vagy ismert földtani vagy épített rétegek esetén még azok relatív víztartalmát is lehet becsülni a visszaérkező elektromágneses hullámok amplitúdójának és frekvenciájának analízisével. Ezzel az eljárással hazánkban nagyon kevesen foglalkoztak, azonban a geofizikai technológia rendelkezésre áll, hiszen a talajradaros vizsgálatot használják vonalas létesítmények alépítmény minőségének térképezésére és az azokon megtalálható esetleges hibák, hibajelenségek lehatárolására. Ezen információk automatikus feldolgozása, valamint kiértékelése a modern programozási nyelvek segítségével automatizálható lenne, azonban ez az automatizálás egy felülvizsgált mesterséges intelligencia segítségével elérhető lenne. Ezeknek a távérzékelt adatoknak a felhasználásával a hallgató kutatási célja egy talajosztályozó algoritmus létrehozása, melyhez elsődlegesen egy, a talajokat távérzékelt és geofizikai adatok alapján klasszifikáló modell építése szükséges. Ennek a tanuló-adatbázisnak a létrehozásához az egyes felszíni rétegek (üledékek) fényvisszaverő képességéről, porozitásáról, elektromos vezetőképességéről, fajlagos elektromos ellenállásáról és más fizikai tulajdonságairól gyűjtenénk adatokat. Ezen információk a továbbiakban használhatóak lennének vonalas objektumok építéséhez, stratégiai üzemek helyszínének helyes megválasztásához. A létrejövő algoritmus segítséget nyújthat esetleges katonai hadműveletek tervezéséhez, de a mezőgazdasági ágazatban az egyes területek megközelíthetősége és talajminősége is térképezhető vele, mely elősegítheti a minél pontosabb precíziós mezőgazdasági tervezést.
***
LIDAR measurement methods are increasingly prevalent in everyday life. They can be found in vehicles, mobile devices, gaming consoles and in many other areas of life. Measurements from LIDAR, ground penetrating radar and other sensors for geophysical and geodetic purposes can provide additional information about the captured terrain. The analysis of ground penetrating radar data can be used to infer the electrical resistivity of a medium, or to estimate the relative water content of homogeneous or known geological or built-up layers by analysing the amplitude and frequency of the return electromagnetic waves. This technique has been used very little in Hungary, but the geophysical technology is available, as ground penetrating radar is used to map the substructure quality of linear facilities and to delineate possible deformations of them. The processing and evaluation of this information could be automated using modern programming languages with a supervised artificial intelligence. The aim of this research is to develop a soil classification algorithm using remote sensed data and a model that classifies soils based on these data. Different specific property and attribute of the soil needs to be collected to create a learning database for the artificial intelligence. Such properties are reflectivity, porosity, electrical conductivity, specific electrical resistivity, and other physical properties of each surface layer (sediments). This information could be used in the planning and placement of linear structures or strategic facilities. The resulting algorithm could be used in planning military operations, furthermore, in the agricultural sector it could also be used to map soil quality and the accessibility of specific areas, which would help to improve precision agricultural planning.
A téma meghatározó irodalma:
1. Agricultural Internet of Things and Decision Support for Precision Smart Farming. (Editors: A. Castrignanó, G. Buttafuoco, R. Khosla, A. M. Mouazen, D. Moshou, O. Naud), Academic Press, pp. 459, 2020. ISBN 978-0-12-818373-1, https://doi.org/10.1016/C2018-0-00051-1
2. Gajurel, A., Chittoori, B., Mukherjee, P.S., Sadegh, M.: Machine learning methods to map stabilizer effectiveness based on common soil properties. Transportation Geotechnics. 2021; 27: 100506. https://doi.org/10.1016/j.trgeo.2020.100506
3. Bhattacharya, B. Solomatine, D.P.: Machine learning in soil classification. Neural Networks. 2006; 19(2): 186-195. https://doi.org/10.1016/j.neunet.2006.01.005
4. R.A. Viscarra Rossel, V.I. Adamchuk, K.A. Sudduth, N.J. McKenzie, C. Lobsey: Chapter Five - Proximal Soil Sensing: An Effective Approach for Soil Measurements in Space and Time. (Editor: D. L. Sparks). Advances in Agronomy, Academic Press, Volume 113, 2011, p. 243-291. ISSN 0065-2113,
ISBN 9780123864734, https://doi.org/10.1016/B978-0-12-386473-4.00005-1
5. Perspectives for Agroecosystem Management: Balancing Environmental and Socio-Economic Demands. (Editors: P. Schröder, J. Pfadenhauer, J.C. Munch), Elsevier Science, pp. 417, 2008. ISBN 978-0-444-51905-4, https://doi.org/10.1016/B978-0-444-51905-4.X5001-6
A téma hazai és nemzetközi folyóiratai:
1. Geophysics (WoS/Scopus, Scimago 2022: Q1)
2. Journal of Geodetic Science (WoS/Scopus, Scimago 2022: Q3)
3. Periodica Polytechnica - Civil Engineering (WoS/Scopus, Scimago 2022: Q3)
4. Geodézia és Kartográfia (WoS/Scopus, Scimago 2022: Q4)
5. Geomatikai Közlemények
A témavezető utóbbi tíz évben megjelent 5 legfontosabb publikációja:
1. Égető Cs. , Siki Z. , Turák B. , Rózsa Sz.: LOW-COST GNSS SENSOR DEVELOPMENT FOR STRUCTURAL MONITORING
BULETIN STIINTIFIC AL UNIVERSITATII DE NORD BAIA MARE SERIA D EXPLOATARI MINIERE, PREPARAREA SUBSTANTELOR MINERALE UTILE, METALURGIE NEFEROASA, GEOLOGIE SI INGINERIA MEDIULUI 35 : 2 pp. 37-47. , 11 p. (2021)
2. Égető Cs., Földváry L., Huszák T.: The effect of tunnelling on repeated precise levelling measurements for vertical deformation control of the Metro4 project. Journal of Geodetic Science, 3(2): 95-102, 2013
3. Égető Cs., Rehány N., Földváry L.: Variations of the gravity field due to excavations of the Budapest Metro4 subway line PERIODICA POLYTECHNICA-CIVIL ENGINEERING 58 : 2 pp. 131-136. , 6 p. (2014)
4. Szabó G. , Égető Cs., Wasmeier P., Ackermann Ch. ,Wunderlich Th, Ingensand H.: Richtungsübertragungen entlang horizontaler und vertikaler Trajektorien – Ein Simultanvergleich der INS-Autokollimation-Methode und der Kreiselrichtungsübertragung: Teil 2 ALLGEMEINE VERMESSUNGS-NACHRICHTEN 122 : 6-7 pp. 223-232. , 10 p. (2015)
5. Hrutka, B. P. , Égető, Csaba: Az Erzsébet híd deformációvizsgálata GEODÉZIA ÉS KARTOGRÁFIA 74 : 2 pp. 12-17. , 6 p. (2022)
A témavezető fenti folyóiratokban megjelent 5 közleménye:
1. Völgyesi L., Tóth Gy., Szondy Gy., Kiss B., Fenyvesi E., Barnaföldi G.G., Égető Cs., Lévai P., Ván P.: Jelenlegi Eötvös-inga felújítások, fejlesztések és mérések. Geomatikai Közlemények, 24(1): 129-139, 2021.
2. Égető Cs., Rehány N., Földváry L.: Variations of the gravity field due to excavations of the Budapest Metro4 subway line. Periodica Polytechnica-Civil Engineering, 58(2): 131-136, 2014.
3. Égető Cs., Földváry L., Huszák T.: The effect of tunnelling on repeated precise levelling measurements for vertical deformation control of the Metro4 project. Journal of Geodetic Science, 3(2): 95-102, 2013
4. Tóth Gy., Égető Cs.: A Mátyáshegyi Gravitációs és Geodinamikai Obszervatórium átfogó gravitációs modellezése. Geomatikai Közlemények, 13(2): 113-122, 2010.
5. Csapó G., Laky S., Égető Cs., Ultman Z., Tóth Gy., Völgyesi L.: Test Measurements by Eötvös Torsion Balance and Gravimeters. Periodica Polytechnica-Civil Engineering, 53(2): 75-80, 2009.
Státusz:
elfogadott