A NEURAL NETS URBAN LAND COVER CLASSIFICATION: A CASE STUDY OF BRNO (CZECHIA).

KÝNOVÁ, Andrea a Petr DOBROVOLNÝ. A NEURAL NETS URBAN LAND COVER CLASSIFICATION: A CASE STUDY OF BRNO (CZECHIA). Acta Universitatis Carolinae Geographica. 2015, roč. 50, č. 2, s. 153-163. ISSN 0300-5402. Dostupné z: https://dx.doi.org/10.14712/23361980.2015.94.

Základní údaje

• Originální název: A NEURAL NETS URBAN LAND COVER CLASSIFICATION: A CASE STUDY OF BRNO (CZECHIA).
• Autoři: KÝNOVÁ, Andrea (203 Česká republika, domácí) a Petr DOBROVOLNÝ (203 Česká republika, domácí).
• Vydání: Acta Universitatis Carolinae Geographica, 2015, 0300-5402.

Další údaje

• Originální jazyk: angličtina
• Typ výsledku: Článek v odborném periodiku
• Obor: Zemský magnetismus, geodesie, geografie
• Stát vydavatele: Česká republika
• Utajení: není předmětem státního či obchodního tajemství
• WWW: URL
• Kód RIV: RIV/00216224:14310/15:00085925
• Organizační jednotka: Přírodovědecká fakulta
• Doi: http://dx.doi.org/10.14712/23361980.2015.94
• Klíčová slova anglicky: image classification; multilayer perceptron; urban land cover; ASTER
• Štítky: AKR, rivok
• Příznaky: Recenzováno

Anotace

Accurate and updated land cover maps provide crucial basic information in a number of important enterprises, with sustainable development and regional planning far from the least of them. Remote sensing is probably the most efficient approach to obtaining a land cover map. However, certain intrinsic limitations limit the accuracy of automatic approaches to image classification. Classifications within highly heterogeneous urban areas are especially challenging. This study makes a presentation of multilayer perceptron (MLP), an artificial neural network (ANN), as an applicable approach to image classification. Optimal MLP architecture parameters were established by means of a training set. The resulting network was used to classify a sub-scene within ASTER imagery. The results were evaluated against a test dataset. The overall accuracy of classification was 94.8%. This is comparable to classification results from a maximum likelihood classifier (MLC) used for the same image. In built-up areas, MLP did not exaggerate built-up areas at the expense of other classes to the same extent as MLC.

Návaznosti

• MUNI/A/0952/2013, interní kód MU: Název: Analýza, hodnocení a vizualizace globálních environmentálních změn v krajinné sféře Země (Akronym: AVIGLEZ)

Investor: Masarykova univerzita, Analýza, hodnocení a vizualizace globálních environmentálních změn v krajinné sféře Země, DO R. 2020_Kategorie A - Specifický výzkum - Studentské výzkumné projekty