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.