haku: @keyword classification / yhteensä: 52
hakutulos-lista
viite: 38 / 52
« edellinen | seuraava »
Tekijä:Lumme, Juho
Työn nimi:Kasvillisuuden sekä maaperän luokittelu ja analysointi hyperspektrikuvilta
Vegetation and soil classification and analysis from imaging spectrometer data
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2004
Sivut:vi + 87      Kieli:   fin
Koulu/Laitos/Osasto:Maanmittausosasto
Oppiaine:Fotogrammetria   (Maa-57)
Valvoja:Haggrén, Henrik
Ohjaaja:Törmä, Markus
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark M80     | Arkisto
Avainsanat:classification
imaging spectrometry
reflectance spectrum
luokittelu
kuvaava spektrometri
hyperspektri
heijastusspektri
Tiivistelmä (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 tietueen numero: 25312
+ lisää koriin
« edellinen | seuraava »
INSSI