U P O R A B N A I N F O R M A T I K A 1312020 - πtevilka 3 - letnik XXVIII StrOkOVNI prISpEVkI Domen Mongus1, Matej Brumen1, Borut Kozan2 1UM FERI, Koroška cesta 46, 2000 Maribor 2PETROL d.d., Dunajska 50, 1000 Ljubljana domen.mongus@um.si, matej.brumen@um.si, borut.kozan@petrol.si Merjenje nadmorske višine gladine jezer iz optičnih satelitskih slik Izvleček V tem članku se osredotočamo na implementacijo naprednega geografskega informacijskega sistema, ki omogoča samodejno oce- njevanje večletnih profilov gibanja nadmorskih višin gladine jezer. Implementacija predlaganega sistema temelji na integraciji platfor- me Open Access Hub, ki omogoča dostop do odprtih podatkov Copernicus. Pri tem se osredotočamo na multispektralne optične slike para satelitov Sentinel 2, ki omogočajo izvedbo meritev s petdnevno časovno in desetmetrsko prostorsko ločljivostjo. Ključni gradniki predlaganega sistema so podsistem za samodejen zajem podatkov ter njihovo predobdelavo, vključno s tehnikami podatkov- nega razšumljanja, obrezovanje slik in njihovo prostorsko poravnavo, digitalni model reliefa oziroma točkovna definicija nadmorskih višin okoliškega terena, algoritem za razpoznavo in filtriranje oblačnih slik, komponenta za razpoznavo pokrivnosti površja, izračun vodnega indeksa in segmentacijo gladine jezer ter sistem za preslikavo razpoznanih mej gladine jezer v nadmorske višine. Z rezulta- ti demonstriramo, da predlagan pristop omogoča dovolj visoko natančnost za praktično uporabo. Ključne besede: Razpoznava vodnih območij, satelitske slike, program Copernicus, ansambelske metode za razpoznavo objektov Abstract In this paper, we focus on the implementation of an advanced geographic information system that enables the automatic extraction of annual levels of lake surface elevations. The implementation of the proposed system is based on the integration of the Open Access Hub platform which allows access to Copernicus open data, specifically the multispectral optical images of a pair of Sentinel 2 satellites. These make possible measurements with a five-day temporal and ten-meter spatial resolutions. The key building blocks of the proposed system are the subsystem for automatic data harvesting and preprocessing comprised of data decomposition te- chniques, image cropping and spatial alignment, digital terrain model or point definition of the altitudes of the terrain surrounding the monitored lake, cloud image recognition and a filtering algorithm, a land cover recognition algorithm, water index calculations and lake level segmentation, together with a system for mapping the recognized lake surface boundaries to altitudes. The results demonstrate that the proposed approach achieves sufficient precision for practical use. Keywords: Water recognition, satellite imaging, Copernicus programme, ensemble method for object recognition. 1 UvOd V zadnjem desetletju smo priča silovitemu napred- ku optičnih tehnologij daljinskega zaznavanja. Te omogočajo podrobno opazovanje površja Zemlje ter odkrivanje vzorcev in karakteristik na velikih geo- grafskih področjih. Napredni satelitski sistemi danes omogočajo sistematično spremljanje večjih prostor- skih entitet in oceno njihovih karakteristik za namene podatkovno podprtega odločanja. V tem kontekstu so še posebej pomembni optični sateliti, ki so prila- gojeni za sistematično spremljanje pokrovnosti tal [1]. Pomemben korak v tej smeri je nedavno naredila Evropska vesoljska agencija (ESA) z misijo Sentinel 2 v okviru programa Copernicus. Sentinel 2 je mul- tispektrali optični satelit, ki omogoča spremljanje ze- mlje s srednjo prostorsko (10 – 16m) in visoko časov- no (5 dni) ločljivostjo [2], kar je zagotovilo potrebno kontinuiteto podatkov za skoraj realno-časovno pod- poro odločanju [3]. Vseeno pa tudi podatki Sentinel 2 zahtevajo implementacijo naprednih tehnik umetne inteligence in strojnega učenja za izdelavo uporabnih podatkovnih produktov v vsakodnevni praksi. U P O R A B N A I N F O R M A T I K A132 2020 - πtevilka 3 - letnik XXVIII Domen Mongus, Matej Brumen, Borut Kozan: Merjenje nadmorske višine gladine jezer iz optičnih satelitskih slik V kontekstu multi- (ali hiper-) spektralnih podat- kov se ključne informacije o opazovanih objektih skri- vajo v tako imenovanih spektralnih podpisih. Slednji predstavljajo intenziteto odbite svetlobe na nivoju posameznega piksla glede na specifično valovno dol- žnino elektromagnetnega sevanja. Zaradi specifičnih absorbcijskih lastnosti merjenih kemijskih elementov takšen pristop omogoča izjemno natančno razpo- znavo materialov in oceno pokrovnosti zemeljskega površja. Vseeno pa so optični merilniki na satelitu pasivni in so tako zmožni meriti zgolj energijo elek- tromagnetnega sevanja, ki je večinoma posledica od- boja sončne svetlobe. Posledično pa so tovrstne me- ritve neizogibno podvržene nenehno spreminjajočim se optičnim pogojem, ki so odvisni od atmosferskih razmer, vlažnosti tal, višine sonca, kota pogleda in fe- noloških učinkov na površju Zemlje [4]. Tovrstna ča- sovnoprostorska spremenjivost povzroča prekrivanje sketralnih odzivov, kar bistveno poslabša našo zmo- žnost razpoznave pokrovnosti. Posebno zahteven primer tega so sence, ki zaradi pomanjkanja direktne sončne svetlobe povzročijo pomembno izgubo spek- tralnih lastnosti merjenih objektov. Ker je v sencah, zaradi odbojnosti neba, pogosto prisotna zgolj šibka modra svetloba, spektralni podpis senčenih objetov spominja na spektralne podpise vode. Razločevanje vodnih območij od ostalih pokrovnih tipov pa zato zahteva predobdelavo podatko (glej sliko 1). Ker je količina skladiščene vodne v jezereh po- memben faktor, tako za številne gospodarske pano- ge (na primer načrtovanje namakalnih programov v kmetijstvu, načrtovanje proizvodnje hidroenergije ter načrtovanje vodnega prometa [5,6]), kakor tudi okolj- ske študije [7,8], je bilo na to temo v preteklosti izve- denih več raziskav. Običajen pristop k izboljševanju razpoznave vodnih območij, ki ga uporablja večina sorodnega dela, naslavlja problematiko z uporabo tako imenovanih radimetričnih popravkov [9,10]. Te običajno izvedejo predhodno zaznavo senčnih obmo- čij, znotraj katerih izvedejo rekonstrukcijo spektralnih lastnosti. Takšen pristop pa zgolj omili izpostavljeno težavo, saj še vedno ne omogoča natančnega razloče- vanja vode znotraj senc. Nedavno smo predstavili iz- boljšano splošno metodo razpoznave pokrovnosti tal, ki namesto radimetričnih popravkov izvede segmen- tacijo učnih vzorcev glede na pravilnost razpoznave in tako izvede razpoznavo senc implicitno [11]. V tem članku predstavljamo nadgradnjo metode za dejansko merjenje nadmorske višine gladine jezer. V poglavju 2 podrobneje predstavimo postopek implicitne zazna- ve senčnih področji in razpoznavo vodnih območij. V poglavju 3 predstavimo visokonivojsko arhitekturo sistema in njegove ključne komponente. V poglavju 4 predstavimo rezultate svojega dela, medtem ko v po- glavju 5 povzamemo ključne ugotovitve študije. 2. ANSAMbELSKI PRISTOP K RAZPOZNAvI POKROvNOSTI POvRšjA V tem poglavju podrobneje opišemo ansambelski pristop k razpoznavi pokrovnosti tal iz slik Sentinel 2, najprej predstavljen v [11], katerega prilagoditev predstavlja jedro uporabljene metode razpoznave vodnih površin. Za razliko od tradicionalnih pristo- pov k strojnemu učenju, predlagana metoda izvede segmentacijo učnih vzorcev glede na napake v raz- poznavi osnovnega (šibkega) klasifikatorja. Konkre- tneje, metoda sestoji iz naslednjih korakov: 1. Izgradnja prostora značilnic, kjer izvedemo oce- no značilnic, pri čemer se zanašamo na tekstur- no analizo in izračun spektralnih indeksov, ki jih strukturirano predstavimo. 2. Učenje klasifikatorja, pri čemer so avtorji metode pokazali, da najboljše rezultate dajeta naivni Ba- yesov klasifikator in naključni gozd, 3. Oceno natančnosti klasifikatorja, pri čemer izra- čunamo funkcijo gostote verjetnosti napak glede na vsako značilko, 4. Izvedemo segmentacijo učnih vzorcev z izbrano pragovno vrednostjo glede na minimizacijo en- tropije ter Slika 1: Primer nerazločne meje med vodnimi in senčnimi področji na primeru blejskega jezera. U P O R A B N A I N F O R M A T I K A 1332020 - πtevilka 3 - letnik XXVIII Domen Mongus, Matej Brumen, Borut Kozan: Merjenje nadmorske višine gladine jezer iz optičnih satelitskih slik 5. Ponovimo učenje z dvema klasifikatorjema, pri čemer se vsak uči nad svojim segmentom učne množice. Zadnje tri korake ponavljamo, dokler ne doseže- mo zaključnega kriterija, ki ga običajno določa število iteracij. Z drugimi besedami, predstavljeni postopek ustvari odločitveno drevo, ki omogoča kalibracijo klasifikatorjev na specifična prekrivanja spektralnih podpisov. Zaključni kriterij določa največjo dovolje- no globino drevesa in, posledično, število uporablje- nih šibkih klasifikatorjev. Ker je uporaba osnovnih značilnic odvisna od domene uporabe, učenje klasi- fikatorjev pa dobro poznan postopek, v nadaljevanju tega poglavja podrobneje predstavimo zgolj koraka ocene natančnosti klasifikatorja in segmentacije uč- nih vzorcev. 2.1 Ocena natančnosti klasifikatorja V tem poglavju predstavimo postopek ocenjevanja natančnosti osnovnega klasifikatorja, ki predstavlja izhodišče za segmentacijo učnih vzorcev in predstavi- tev novega šibkega klasifikatorja. Zaradi prekrivanja spektralnih podpisov šibki klasifikatorji namreč po- gosto dajejo prevelik poudarek na specifične značilno- sti, ki v splošnem omogočajo dobro razločevanje po- membnega deleža vseh vzorcev. Vseeno pa je očitno, da pri tem naredijo napake ravno v delu, kjer se spek- tralni podpisi prekrivajo. Slika 2 ilustrira to dejstvo na primeru razpoznave pokrovnosti Blejskega jezera in okolice iz slike 1, pri čemer je kot šibki klasifikator bil izbran naivni Bayesov klasifikator, učenje in analiza napak pa sta bila izvedena nad istim naborom osnov- nih spektralnih podpisov multispektralnih slik Sen- tinel 2. Konkretneje, funkciji porazdelitve verjetnosti pravilno in napačno razpoznanih vzorcev, prikazani na sliki 2, sta izrisani glede na vrednosti vzorcev v bližnjem infrardečem spekteru (angl. near infrared, NIR), ki je posebej pomemben za razpoznavo vodnih območij (natančnejši opis uporabe spektra NIR po- damo v poglavju 3). Pri tem pa je očitno, da je bila intenziteta skoraj tretjina vseh napačno razpoznanih vzorcev iz razpona [20, 24], znotraj razpona [20, 32] pa se nahaja več kot 50 % intenzitet vseh napačno raz- poznanih vzorcev, ki so predvsem posledica spektral- nega prekrivanje med vodnimi in senčnimi območji. Ker lahko podobno obnašanje opazimo tudi pri uporabi drugih šibkih klasifikatorjev (na primer od- ločitvena drevesa ali naključni gozd), je v splošnem smotrno v osnovni klasifikacijski model vključiti nov šibki klasifikator, ki je posebej prilagojen na razpo- znavo vzorcev iz območja največjega prekrivanja spektralnih podpisov (v tem primeru na razponu [0, 36]). Pri tem je pomembno tudi dejstvo, da se obna- šanje šibkih klasifikatorjev ne razlikujejo bistveno, kadar takšno oceno napak izvedemo nad različnimi testnimi množicami. Slednje pa nam omogoča, da se- gmentacijo v fazi učenja izvedemo neposredno nad učnimi vzorci. Slika 2: verjetnost porazdelitve napak šibkega klasifikatorja pri razpoznavi vodnih območij glede na intenzitete slike v spektru NIR. U P O R A B N A I N F O R M A T I K A134 2020 - πtevilka 3 - letnik XXVIII Domen Mongus, Matej Brumen, Borut Kozan: Merjenje nadmorske višine gladine jezer iz optičnih satelitskih slik 2.2 Segmentacija učnih vzorcev Ocena natančnosti šibkih klasifikatorjev, predstavlje- na v prejšnjem poglavju, omogoča preprosto pred- stavitev novega klasifikatorja, ki ga prilagodimo za obravnavo vzorcev s prekrivajočimi spektralnimi podpisi. Ker učenje šibkega klasifikatorja vodi v ne- natačnosti tako znotraj območja prekrivajočih spek- tralnih podpisov, kakor tudi zunaj njega, je smiselno prvotni šibki klasifikator zavreči in namesto njega predstaviti dva nova. Iz ocene natančnosti izhaja, da je razdelitev vzorcev najbolj naravno izvesti po prin- cipu minimizacije entropije med pravilno in nepra- vilno razpoznanimi vzorci, podobno kot to izvedemo v primeru izgradnje odločitvenega drevesa. Z drugi- mi besedami, segmentacijo učnega vzorca izvedemo z iskanjem optimalne pragovne vrednosti v naboru danih značilk, s katero dosežemo največji relativni in- formacijski prispevek (angl. information gain). Medtem ko je matematična podlaga za izračun podana v [11], segmentacijo učne množice izvedemo v naslednjih korakih: 1. Inicializacija klasifikacijskega modela, pri če- mer izvedemo učenje osnovnega šibkega klasifi- katorja, ki predstavlja edini list drevesa. 2. Ocena natančnosti klasifikacijskega modela, kjer izračunamo verjetnosti porazdelitve napak glede na vsako izmed vhodnih značilk, kot je to predstavljeno v prejšnjem poglavju. 3. Iterativna delitev učnih vzorcev, kjer izvedemo: a. iskanje optimalnega delitvenega kriterija in pri- padajočo značilko b. delitev učnih vzorcev glede na delitveni kriterij c. učenje dveh novih šibkih klasifikatorjev ter d. zamenjava lista drevesa z odločitvenim kriterijem in dvema pripadajočima šibkima klasifikatorjema v novih listih (poddrevesa). Slika 3: visokonivojska arhitektura sistema za samodejno merjenje nadmorske višine gladine jezer. U P O R A B N A I N F O R M A T I K A 1352020 - πtevilka 3 - letnik XXVIII Domen Mongus, Matej Brumen, Borut Kozan: Merjenje nadmorske višine gladine jezer iz optičnih satelitskih slik 4. Izhod metode je tako klasifikacijski model, ki hi- erarhično organizira odločitvene kriterije za izbor pripadajočega šibkega klasifikatorja, s katerim se bo izvedla razpoznava testnega vzorca. 3. SISTEM ZA SAMOdEjNO MERjENjE NAdMORSKE vIšINE GLAdINE jEZER Implementacija predlaganega sistema temelji na integraciji platforme Open Access Hub, ki omogo- ča dostop do odprtih podatkov Copernicus. Njeni ključni gradniki so:  kontrolne uporabniške aplikacije, ki omogočajo posodobitev podatkov, izvajanje meritev in gene- riranje rezultatov ter definicije merjenih jezer, pa- rametrov meritev in njihovo vizualno preverjanje skozi namenski GIS,  spletne storitve, ki omogočajo razpoznavo obale jezer ter preslikavo razpoznanih mej gladine jezer v nadmorske višine in  sistem za zbiranje podatkov s podporno podat- kovno bazo, ki vključuje vse potrebne parametre za samodejno delovanje. Visokonivojsko arhitekturo sistema prikazuje slika 3, v nadaljevanju tega poglavja pa podrobneje opišemo storitveni del sistema, ki predstavlja jedro sistema. Ključna značilka, na osnovi katere izvajamo raz- poznavo vode, je tako imenovani normalizirani in- deks vodne razlike. Tega izračunamo kot razmerje med razliko v intenziteti spektra NIR in kratkova- lovnega infrardečega spektra ter seštevkom njunih intenzitet. Na sliki 4 so prikazana merilna območja nadmorske gladine jezera in izračunani normalizi- rani indeks vodne razlike v treh primerih iz obdobja med 5. 9. 2017 in 4. 11. 2017. Pri tem je pomembno poudariti dejstvo, da razpoznave meje gladine je- zera ne izvajamo nad njegovo celotno površino, saj je slednje lahko preveč podvrženo šumu. Namesto tega raje določimo specifična merilna območja, kjer je obala dovolj plitva, da majhne spremembe v za- znavi roba ne povzročijo prevelike napake v izmeri nadmorske višine. Vseeno pa imamo teh merilnih mest več, saj tako zvišamo odpornost na prisotnost oblakov (glej sliko 4) in drug morebitni šum v po- datkih. Tudi razpoznave vodnih območij pri tem ne izva- jamo nad celotnim merilnim območje, pač pa zgolj nad premico, ki ji pripišemo višinske vrednosti iz digitalnega modela reliefa. V primeru, da za mer- jeno območje takšnega modela nimamo, lahko tako preprosto določimo zgolj dve kontrolni višinski vre- dnosti in med njima izvedemo linearno interpolacijo višin. Slika 4b prikazuje tako definirane meritve in razpoznano vodo območje (svetlomoder del črte) ter teren (rdeč del črte). Slika 4: definicija meritve nadmorske višine gladine jezer, kjer (a) prikazuje merilna območja in (b) izračunane normalizirane indekse vodnih razlik z razpoznano mejo gladine (moder del črte). U P O R A B N A I N F O R M A T I K A136 2020 - πtevilka 3 - letnik XXVIII Domen Mongus, Matej Brumen, Borut Kozan: Merjenje nadmorske višine gladine jezer iz optičnih satelitskih slik 4. REZULTATI Validacijo predlagane infrastrukture smo izvedli nad tremi jezeri, in sicer jezero Piva v Makedoniji, jezero Fierza v Albaniji ter Buško jezero v Bosni in Hercego- vini. Stanje slednjega ob visokem in nizkem vodosta- ju je prikazano na sliki 5. Slika 6 prikazuje letne profile vseh merjenih jezer v času od 1.7.2015 do 25.8.2017. Zaradi neobstoječih zgodovinskih podatkov pravilnosti izmerjenih rezul- tatov ni mogoče preveriti absolutno, saj zgodovinske meritve za merjena jezera ne obstajajo. Kontrolo so zato izvedli strokovnjaki v podjetju Petrol d.d., kjer Slika 5: buško jezero ob (a) visokem in (b) nizkem vodostaju. je model tudi v uporabi. Kontrolne meritve nadmor- skih višin so bile pridobljene z ročnim pregledom slik, pri določitvi nivojev vode pa so bili uporablje- ni tudi kontekstualnimi podatki, kot so to na primer količine padavin, odtek vode in dnevne temperature. Rezultati so prikazani na sliki 6. Slika 6: dvoletni profili gibanja nadmorskih višin gladine jezer (a) Piva, (b) Fierza in (c) buškega jezera. U P O R A B N A I N F O R M A T I K A 1372020 - πtevilka 3 - letnik XXVIII Domen Mongus, Matej Brumen, Borut Kozan: Merjenje nadmorske višine gladine jezer iz optičnih satelitskih slik Izvedena ekspertna analiza je pokazala, da so iz- merjeni podatki dovolj natančni in zanesljivi za prak- tično uporabo. Največja napaka je bila izmerjena na primeru Buškega jezera in je znašala 1.5m, medtem ko se je koren povprečnega kvadrata napake gibal med 0.26m (v primeru jezera Frieza) in 0.51m (v pri- meru jezera Piva). Podroben vizualni pregled rezul- tatov je pokazal, da se ključni razlogi za napake skri- vajo v naklonu terena, saj zaradi razmeroma nizke ločljivosti slik Sentinel 2 (10 m in več) to hitro vodi v razmeroma velike višinske razlike. Tako so bile največje napake zaznane, ko so severni (položni) del Buškega jezera prekrivali oblaki in meritve tam niso bile mogoče. Podobno velja tudi za primere večjih napak v oceni nadmorske višine gladine jezera Pli- va, ko so bile meritve omejene na njegovo vzhodno stran. Zaradi oblačnega vremena pa je sicer v splo- šnem bilo neuporabnih tudi do 25 % vseh posnetkov posameznega jezera. Ker je za številne aplikacije v podporo načrtova- nja (na primer namakanja ali vodnega prometa) po- gosto pomembneje spremljanje sprememb nivojev vode, smo nad pridobljenimi podatki ocenili tudi Pearsonov korelacijski koeficient. Slednji je bil zaradi že omenjene strmine naklona vzhodne, južne in za- hodne obale najnižji v primeru Buškega jezera (0.89), medtem ko je v primeru jezer Piva in Frieza znašal 0.93 in 0.98. 5. ZAKLjUčEK V članku smo predstavili sistem za samodejno mer- jenje nadmorske višine gladine jezer za podporo pri odločanju. Predlagan sistem temelji na segmentaci- ji ključnih učnih vzorcev za izboljšano klasifikacijo v primerih prekrivanja spektralnih podpisov, kot je to običajen primer med vodo in senčnimi obmo- čji. Merjenje meje vodne gladine omogoča preračun nadmorske višine gladine jezera glede na digitalni model reliefa, pri čemer odpornost metode na oblake bistveno izboljšamo z večkratnim vzorčenjem vzdolž plitvih obal. Z rezultati smo pokazali tudi, da je pre- dlagana metoda primerna za praktično uporabo, še zlasti v kontekstu ocenjevanja večletnih profilov gi- banja gladine jezer. LITERATURA [1] CHENG, Gong, HAN, Junwei: A survey on object detection in optical remote sensing images. ISPRS Journal of Photogram- metry and Remote Sensing, 2016, št. 117, str. 11-28. [2] DRUSCH, Matthias in sodelavci: Sentinel-2: ESA's optical high-resolution mission for GMES operational services, Re- mote sensing of Environment, 2012, št. 120, str. 25-36. [3] VAN DER MEER, Freek in sodelavci: Potential of ESA's Sen- tinel-2 for geological applications, Remote sensing of enviro- nment, 2014, št. 148, str. 124-133. [4] GOMEZ, Cristina, WITHE, Joanne, WULDER, Michael: Op- tical remotely sensed time series data for land cover clas- sification: A review, ISPRS Journal of Photogrammetry and Remote Sensing, 2016, št. 116, str. 55-72. [5] COOPS, Hugo, BEKLIOGLU, Meryem, CRISMAN, Thomas L: The role of water-level fluctuations in shallow lake eco- systems–workshop conclusions, Hydrobiologia, 2003, št 506 (1-3), str. 23-27. [6] ZHANG, Jiqun, XU, Kaiqin, YANG, Yonghui, QI, Lianhui, HAYASHI, Seiji, WATANABE, Masataka: Measuring water storage fluctuations in Lake Dongting, China, by Topex/Po- seidon satellite altimetry, Environmental Monitoring and As- sessment, 2006, št. 115 (1-3), str. 23-37. [7] JAWAK, Shridhar, KULKARNI, Kamana, LUIS Alvarinho: A review on extraction of lakes from remotely sensed optical satellite data with a special focus on cryospheric lakes, Ad- vances in Remote Sensing, 2015, št. 4(3), str. 196. [8] SONG, Chunqiao, HUANG, Bo, KE, Linghong: Inter‐annual changes of alpine inland lake water storage on the Tibetan Plateau: Detection and analysis by integrating satellite alti- metry and optical imagery, Hydrological Processes, 2014, št. 28(4), str. 2411-2418. [9] KASETKASEM, Teerasit, VARSHEY, Pramod: An optimum land cover mapping algorithm in the presence of shadows, IEEE Journal of Selected Topics in Signal Processing, 2011, št. 5(3), str. 592-605. [10] MOVIA, Alessia, BEINAT Alberto Beinat, CROSILLA Fabio: Shadow detection and removal in RGB VHR images for land use unsupervised classification, ISPRS Journal of Photo- grammetry and Remote Sensing, 2016, št. 119, str. 485-495. [11] MONGUS, Domen, ŽALIK, Borut: Segmentation schema for enhancing land cover identification: A case study using Sen- tinel 2 data, International journal of applied earth observation and geoinformation, 2018, št. 66, str. 56-68. U P O R A B N A I N F O R M A T I K A138 2020 - πtevilka 3 - letnik XXVIII Domen Mongus, Matej Brumen, Borut Kozan: Merjenje nadmorske višine gladine jezer iz optičnih satelitskih slik  domen Mongus je izredni profesor na Univerzi v Mariboru in član izvršnega odbora mednarodneha združenja GISIG (anlg. Geographical Infor- mation System International Group). V preteklosti je bil podpredsednik programskega odbora nacionalnega Strateškega razvojno inovacijskega partnerstva v okviru slovenske strategije pametne specializacije (S4) na področju Pametnih mest in skupnosti in član izvršnega odbora krovne evropske organizacije za geografske informacije EUROGI. Njegovi raziskovalni interesi vključujejo obdelavo podatkov daljinskega zaznavanja, prostorsko-časovno analitiko in geoprostorsko inteligenco. Za svoje dosežke je prejel več nacionalnih in mednarodnih nagrad, med drugim je bil leta 2015 imenovan za mladega znanstvenika podonavske regije, leta 2018 pa je prejel najprestižnejšo institucionalno akademsko nagrado za izjemen prispevek k znanstvenemu in pedagoškemu ugledu ter odličnosti Univerze v Mariboru.  Matej brumen je vodja razvojne ekipe v laboratoriju za Geometrijsko Modeliranje in Algoritme Multimedije na Fakulteti za Elektrotehniko Računal- ništvo in Informatiko. Njegovo področje obsega vse od obdelave prostorskih podatkov in 3D vizualizacij do geografsko informacijskih sistemov in mikrostoritev ter razvoj končnih rešitev v sodelovanju številnimi slovenskimi in mednarodnimi industrijskimi partnerji.  borut Kozan je vodja oddelka razvoja energentov v podjetju Petrol, kjer se ukvarja z razvojem področja napredne analitike, poslovnih modelov in procesov v segmentu prodaje in trgovanja z električno energijo in zemeljskim plinom. V času študija na Fakulteti za elektrotehniku (UL) je njegovo raziskovalno delo obsegalo modeliranje trga električne energije s poudarkom na agentnem učenju, modeliranje Evropske sheme trgovanja z emisijami (EU ETS), ekonomike investicij v energetskih sistemih ter modeliranje naključnih procesov. Del doktorskega raziskovanja je opravil na Universidad Pontificia Comillas v okviru Institute for Research in Technology.