Tudóstér: Abriha Dávid publikációi

PDF
-
szűkítés
feltöltött közlemény: 17 Open Access: 4
2023
  1. Pataki, A., Nagy, L., Abriha, D., Szabó, S.: Műholdas szenzorokból származtatott talajnedvességadatok összehasonlítása.
    In: Az elmélet és a gyakorlat találkozása a térinformatikában XIV. / Szerkesztette: Dr. Abriha-Molnár Vanda Éva, Debreceni Egyetemi Kiadó, Debrecen, 199-203, 2023. ISBN: ISBN9789636150846
  2. Shebl, A., Abriha, D., Fahil, A., El-Dokouny, H., Abdelmajeed, A., Csámer, Á.: PRISMA hyperspectral data for lithological mapping in the Egyptian Eastern Desert: Evaluating the support vector machine, random forest, and XG boost machine learning algorithms.
    Ore Geol. Rev. 161 1-16, 2023.
    Folyóirat-mutatók:
    Q1 Economic Geology (2022)
    Q1 Geochemistry and Petrology (2022)
    Q1 Geology (2022)
  3. Abriha, D., Srivastava, P., Szabó, S.: Smaller is better? Unduly nice accuracy assessments in roof detection using remote sensing data with machine learning and k-fold cross-validation.
    Heliyon. 9 (3), 1-17, 2023.
    Folyóirat-mutatók:
    Q1 Multidisciplinary (2022)
  4. Abriha, D., Szabó, S.: Strategies in training deep learning models to extract building from multisource images with small training sample sizes.
    Int. J. Digit. Earth. 16 (1), 1707-1724, 2023.
    Folyóirat-mutatók:
    Q1 Computer Science Applications (2022)
    Q1 Earth and Planetary Sciences (miscellaneous) (2022)
    Q1 Software (2022)
2022
  1. Papp, M., Szabó, S., Abriha, D.: WorldView-2 és WorldView-3 felvételek értékelése képosztályozáson keresztül.
    In: Az elmélet és a gyakorlat találkozása a térinformatikában XIII.: Theory meets practice in GIS. Szerk.: Abriha-Molnár Vanda Éva, Debreceni Egyetemi Kiadó, Debrecen, 255-259, 2022. ISBN: 9789636150396
2021
  1. Phinzi, K., Abriha, D., Szabó, S.: Classification Efficacy Using K-Fold Cross-Validation and Bootstrapping Resampling Techniques on the Example of Mapping Complex Gully Systems.
    Remote Sens. 13 (15), 1-18, 2021.
    Folyóirat-mutatók:
    Q1 Earth and Planetary Sciences (miscellaneous)
  2. Abriha, D., Szabó, S., Varga, G.: Sentinel-5P műholdadatok alapján végzett légköri aeroszol koncentráció vizsgálat Google Earth Engine platformon.
    In: Az elmélet és a gyakorlat találkozása a térinformatikában XII.. Szerk.: Molnár Vanda Éva, Debreceni Egyetemi kiadó, Debrecen, 17-23, 2021. ISBN: 9789633189771
  3. Szabó, L., Abriha, D., Phinzi, K., Szabó, S.: Urban vegetation classification with high-resolution PlanetScope and SkySat multispectral imagery.
    Acta geogr. Debr., Landsc. environ. ser. 15 (1), 66-75, 2021.
  4. Abriha, D., Szabó, S., Enyedi, P.: Városi objektum kinyerést célzó deep learning algoritmus alkalmazása nagy felbontású légifelvételek alapján.
    In: Az elmélet és a gyakorlat találkozása a térinformatikában XII.. Szerk.: Molnár Vanda Éva, Debreceni Egyetemi kiadó, Debrecen, 9-16, 2021. ISBN: 9789633189771
2020
  1. Abriha, D., Szabó, S.: A képosztályozás során fellépő területi autokorreláció vizsgálata Python programozási környezetben.
    In: Az elmélet és a gyakorlat találkozása a térinformatikában XI. : theory meets practice in GIS. Szerk.: Molnár Vanda Éva, Debreceni Egyetemi Kiadó, Debrecen, 17-21, 2020. ISBN: 9789633188866
  2. Phinzi, K., Abriha, D., Bertalan, L., Holb, I., Szabó, S.: Machine Learning for Gully Feature Extraction Based on a Pan-Sharpened Multispectral Image: Multiclass vs. Binary Approach.
    ISPRS Int. Geo-Inf. 9 (4), 1-20, 2020.
    Folyóirat-mutatók:
    Q2 Computers in Earth Sciences
    Q1 Earth and Planetary Sciences (miscellaneous)
    Q1 Geography, Planning and Development
  3. Abriha, D., Szabó, L., Phinzi, K., Szabó, S.: Városi zöldfelületek osztályozása nagy felbontású PlanetScope és SkySat felvételek alapján.
    In: Az elmélet és a gyakorlat találkozása a térinformatikában XI. : Theory meets practice in gis. Szerk.: Molnár Vanda Éva, Debreceni Egyetemi Kiadó, Debrecen, 13-16, 2020. ISBN: 9789633188866
2019
  1. Szabó, S., Abriha, D., Kovács, Z., Sarawut, N., Bertalan, L., Balázs, B.: Pan-sharpening as an effective method to improve classification accuracy of roofing materials.
    Geophys. Res. Abstr. 21 14594, 2019.
  2. Abriha, D., Banka, F., Szabó, S.: Random Forest osztályozó algoritmus pontosságának vizsgálata tetőfedő anyagok azonosításában multispektrális adatokkal.
    In: Az elmélet és a gyakorlat találkozása a térinformatikában X.: Theory meets practice in GIS. Szerk.: Molnár Vanda Éva, Debreceni Egyetemi Kiadó, Debrecen, 19-24, 2019. ISBN: 9789633180549
2018
  1. Abriha, D., Szabó, S.: Hiperspektrális távérzékelés alkalmazása tetőfedő anyagok azonosításában.
    In: Az elmélet és gyakorlat találkozása a térinformatikában IX.. Szerk.: Molnár Vanda Éva, Debrecen Egyetemi Kiadó, Debrecen, 21-26, 2018. ISBN: 9789633187234
  2. Abriha, D., Kovács, Z., Ninsawat, S., Bertalan, L., Balázs, B., Szabó, S.: Identification of roofing materials with Discriminant Function Analysis and Random Forest classifiers on pan-sharpened WorldView-2 imagery - a comparison.
    HunGeoBull. 67 (4), 375-392, 2018.
    Folyóirat-mutatók:
    Q2 Earth and Planetary Sciences (miscellaneous)
    Q2 Geography, Planning and Development
2017
  1. Abriha, D.: Roofing material determination with hyperspectral data.
    In: Student V4 Geoscience Conference and Scientific Meeting GISÁČEK 2017-03-22. Ed.: Jan Tesla, Institute of Geoinformatics, Technical University of Ostrava, Ostrava, 5-10, 2017. ISBN: 9788024840338
feltöltött közlemény: 17 Open Access: 4
https://tudoster.idea.unideb.hu
A szolgáltatást nyújtja: DEENK