Vegetation and soil classification and analysis from imaging spectrometer data

dc.contributorAalto-yliopistofi
dc.contributorAalto Universityen
dc.contributor.advisorTörmä, Markus
dc.contributor.authorLumme, Juho
dc.contributor.departmentMaanmittausosastofi
dc.contributor.schoolTeknillinen korkeakoulufi
dc.contributor.schoolHelsinki University of Technologyen
dc.contributor.supervisorHaggrén, Henrik
dc.date.accessioned2020-12-04T18:36:34Z
dc.date.available2020-12-04T18:36:34Z
dc.date.issued2004
dc.description.abstractHyperspektrikuvan 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.fi
dc.format.extentvi + 87
dc.identifier.urihttps://aaltodoc.aalto.fi/handle/123456789/91726
dc.identifier.urnURN:NBN:fi:aalto-2020120450561
dc.language.isofien
dc.programme.majorFotogrammetriafi
dc.programme.mcodeMaa-57fi
dc.rights.accesslevelclosedAccess
dc.subject.keywordclassificationen
dc.subject.keywordluokittelufi
dc.subject.keywordimaging spectrometryen
dc.subject.keywordkuvaava spektrometrifi
dc.subject.keywordreflectance spectrumen
dc.subject.keywordhyperspektrifi
dc.subject.keywordheijastusspektrifi
dc.titleVegetation and soil classification and analysis from imaging spectrometer dataen
dc.titleKasvillisuuden sekä maaperän luokittelu ja analysointi hyperspektrikuviltafi
dc.type.okmG2 Pro gradu, diplomityö
dc.type.ontasotMaster's thesisen
dc.type.ontasotPro gradu -tutkielmafi
dc.type.publicationmasterThesis
local.aalto.digiauthask
local.aalto.digifolderAalto_30324
local.aalto.idinssi25312
local.aalto.openaccessno

Files