hrvatski

Analiza točnosti klasifikacije optičkih satelitskih snimki metodom strojnog učenja

U ovom diplomskom radu analizira se točnost i mogućnosti klasifikacije na optičkim satelitskim snimkama. Optičke satelitske snimke klasificirane su pomoću jedne od metoda nadzirane klasifikacije. Korištene su četiri snimke različite prostorne, radiometrijske i spektralne rezolucije, a one su Landsat 8, Sentinel 2, RapidEye i PlanetScope. Odabrana su dva područja za istraživanje, a ona su u blizini grada Lorient-a u Francuskoj i u blizini grada Piseka u Češkoj. Veličina područja istraživanja iznosi 10kmx10km. Snimke su klasificirane u pet osnovnih klasa. Klase su voda, gola zemlja, izgrađeno, niska vegetacija i visoka vegetacija. Predobrada i odabir trening i test uzoraka provedena je u programu QGIS. Za klasifikaciju je korištena Support Vector Machine (SVM) metoda koja koristi metode strojnog učenja. Za izvršavanje klasifikacije SVM metodom korišten je program SAGA GIS. Za procjenu točnosti provedene klasifikacije korištena je naredba GRASS GIS-a, koji je integriran u sučelje QGIS-a. Dobiveni rezultati govore kako točnost klasifikacije raste s porastom prostorne rezolucije. SVM metoda je dala jako točne klasifikacije. Razlika u točnosti klasifikacije između Landsat 8 i PlanetScope snimki je oko 10%. Klasa voda je najtočnija klasificirana na svim snimkama neovisno o prostornoj rezoluciji, dok su izgrađeno i gola zemlja dali najlošije rezultate. Uzrok toga svakako leži u miješanim pikselima. Rezultati su iskazali mogućnost za korištenje rezultata klasifikacije različitih snimki za razne primjene.

Klasifikacija ; Optičke satelitske snimke ; Landsat 8 ; Sentinel 2 ; RapidEye ; PlanetScope ; SVM ; QGIS ; SAGA GIS ; GRASS GIS

nije evidentirano