Optimalizace tvorby trénovacího a validačního datasetu pro zvýšení přesnosti klasifikace v dálkovém průzkumu Země
Název práce v češtině: | Optimalizace tvorby trénovacího a validačního datasetu pro zvýšení přesnosti klasifikace v dálkovém průzkumu Země |
---|---|
Název v anglickém jazyce: | Training and validation dataset optimization for Earth observation classification accuracy improvement |
Klíčová slova: | trénovací dataset, validační dataset, hodnocení přesnosti klasifikace. Maximum Likelihood, Support Vector Machine |
Klíčová slova anglicky: | training dataset, validation dataset, classification accuracy improvement, Maximum Likelihood, Support Vector Machine |
Akademický rok vypsání: | 2016/2017 |
Typ práce: | diplomová práce |
Jazyk práce: | čeština |
Ústav: | Katedra aplikované geoinformatiky a kartografie (31-370) |
Vedoucí / školitel: | doc. RNDr. Lucie Kupková, Ph.D. |
Řešitel: | Mgr. Barbora Potočná - zadáno vedoucím/školitelem |
Datum přihlášení: | 07.12.2016 |
Datum zadání: | 08.12.2016 |
Datum odevzdání elektronické podoby: | 23.07.2019 |
Datum proběhlé obhajoby: | 09.09.2019 |
Oponenti: | Ing. Markéta Potůčková, Ph.D. |
Konzultanti: | RNDr. Mgr. Jakub Lysák, Ph.D. |
Předběžná náplň práce |
Optimalizace trénovacího a validačního datasetu pro řízenou klasifikaci dat v DPZ může přispět ke zvýšení přesnosti klasifikace a kvalitnímu vyhodnocení její přesnosti. V literatuře je popsáno mnoho přístupů, jak navrhnout trénovací/validační dataset a způsobů dělení terénních dat na trénovací a validační část. Přístupy jsou různé i v závislosti na zvoleném algoritmu klasifikace. V rámci řešení práce budou v modelovém území (lesně-luční krajina v Podkrkonoší) prováděny pro dva vybrané klasifikační algoritmy experimenty s trénovacími a validačními daty. Bude měněn podíl/množství trénovacích a validačních dat s cílem vyhodnotit vliv těchto parametrů na přesnost klasifikace multispektrálních dat senzoru Sentinel-2A a navrhnout optimalizovaný trénovací a validační dataset, jehož parametry umožní zlepšit přesnost klasifikace a kvalitu hodnocení přesnosti. Analýza může být doplněna vytvořením skriptu, který umožní automatické experimentování s nastavením trénovacích/validačních dat. Dalším cílem práce bude porovnat dva zvolené klasifikační algoritmy a ověřit, zda je pro ně optimální stejné nebo rozdílné nastavení trénovacího/validačního datasetu. |