search query: @instructor Törmä, M / total: 7
reference: 2 / 7
« previous | next »
Author:Lumme, Juho
Title:Kasvillisuuden sekä maaperän luokittelu ja analysointi hyperspektrikuvilta
Vegetation and soil classification and analysis from imaging spectrometer data
Publication type:Master's thesis
Publication year:2004
Pages:vi + 87      Language:   fin
Department/School:Maanmittausosasto
Main subject:Fotogrammetria   (Maa-57)
Supervisor:Haggrén, Henrik
Instructor:Törmä, Markus
OEVS:
Electronic archive copy is available via Aalto Thesis Database.
Instructions

Reading digital theses in the closed network of the Aalto University Harald Herlin Learning Centre

In the closed network of Learning Centre you can read digital and digitized theses not available in the open network.

The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/

You can read theses on the Learning Centre customer computers, which are available on all floors.

Logging on to the customer computers

  • Aalto University staff members log on to the customer computer using the Aalto username and password.
  • Other customers log on using a shared username and password.

Opening a thesis

  • On the desktop of the customer computers, you will find an icon titled:

    Aalto Thesis Database

  • Click on the icon to search for and open the thesis you are looking for from Aaltodoc database. You can find the thesis file by clicking the link on the OEV or OEVS field.

Reading the thesis

  • You can either print the thesis or read it on the customer computer screen.
  • You cannot save the thesis file on a flash drive or email it.
  • You cannot copy text or images from the file.
  • You cannot edit the file.

Printing the thesis

  • You can print the thesis for your personal study or research use.
  • Aalto University students and staff members may print black-and-white prints on the PrintingPoint devices when using the computer with personal Aalto username and password. Color printing is possible using the printer u90203-psc3, which is located near the customer service. Color printing is subject to a charge to Aalto University students and staff members.
  • Other customers can use the printer u90203-psc3. All printing is subject to a charge to non-University members.
Location:P1 Ark M80     | Archive
Keywords:classification
imaging spectrometry
reflectance spectrum
luokittelu
kuvaava spektrometri
hyperspektri
heijastusspektri
Abstract (fin):Hyperspektrikuvan luokittelu perinteisillä tilastollisen hahmontunnistuksen menetelmillä on hidasta.
Lisäksi hyperspektrikuvan korreloivien kanavien takia luokittelualgoritmien toiminta saattaa keskeytyä kokonaan.
Hyperspektrikuvien analysointiin on kehitetty uusia algoritmeja, joiden soveltuvuutta maaperän sekä kasvillisuuden analysointiin tutkittiin tässä diplomityössä.
Algoritmien suorituskykyä vertailtiin keskenään sekä perinteisten luokittelualgoritmien kanssa.
Lisäksi tutkittiin, miten luokkien opetusalueet sekä referenssispektrit vaikuttavat luokittelutulokseen.

Työssä tutkittiin AISA-spektrometrillä kuvattuja Lammin sekä Paraisten testialueita.
Aineisto käsitti 17 kanavaa näkyvän valon sekä lähi-infrapunasäteilyn alueella.
Aineisto luokiteltiin seuraavilla algoritmeilla: Spectral Angle Mapper, Spectral Correlation Mapper, Spectral Unmixing, Perceptron neuraaliverkko, Bayesin päätösteoria sekä minimietäisyyden menetelmä.
Luokittelijoiden opetusalueina käytettiin maastossa varmistettuja alueita.
Opetusalueista laskettiin hyperspektrikuville kehitetyille luokittelijoille referenssispektrit erilaisia keskiarvomittoja käyttäen.
Luokittelun lisäksi tutkittiin tarkemmin eri kasvillisuusluokkien heijastusspektrejä sekä erilaisten olosuhteiden vaikutusta näihin spektreihin.

Luokittelu Bayesin päätösteorian avulla antoi hyvät tulokset, mutta luokittelu oli hidasta eikä se toiminut alueilla, joissa oli valoisuuseroja.
Spectral Angle Mapper sekä Spectral Correlation Mapper luokittelivat aineiston hyvin myös olosuhteissa, joissa valoisuus vaihteli.
Spectral Unmixing -algoritmin ongelmana oli kunnollisten referenssispektrien löytäminen.
Perceptron neuraaliverkkolla saatiin parhaimmat tulokset, mutta verkon opettaminen vei paljon aikaa.
Minimietäisyyden algoritmi oli nopea, mutta tulokset eivät olleet kovinkaan hyviä.
Verrattaessa kasvillisuuden heijastusspektrejä havaittiin, että lehtipuiden sekä sokerijuurikkaan heijastusspektrit sekoittuivat keskenään.
Eri maalajien vaikutus kasvillisuuden heijastusspektriin oli vähäinen ja se sekoittui kasvillisuudesta heijastuneen säteilyn normaaliin vaihteluun.
ED:2004-06-14
INSSI record number: 25312
+ add basket
« previous | next »
INSSI